目录
1. Introduction组建卷积函数
torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1包括的几个部分
- input:输入
- weight：卷积核权重
- bias：卷积计算时，偏置权重
- stride： 步长，
- padding
- dilation：卷积核每个元素之间的间距，默认为1
- groups：将输入进行分组操作
2. 把input，padding，卷积核，卷积函数走一波
2.1 input
import torch
input1 = torch.ones([1, 1, 5, 5])
input2 = torch.ones([1,2,5,5])
input3 = torch.ones([1,1,4,4])
print(input1)
print(input2)
print(input3)
【一个batch的图片数量，图像通道数（决定有几个tensor阵），图片高度，图片宽度】
输出。
tensor([[[[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]]]])
tensor([[[[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]],
[[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]]]])
tensor([[[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]]])
2.2 padding
padding1 = torch.nn.functional.conv2d(input1, torch.ones([1,1,1,1]), stride=1, padding=(1,1))
print(padding1)
padding2 = torch.nn.functional.conv2d(input1, torch.ones([1,1,1,1,]),stride=1, padding=(1,2))
print(padding2)输出--padding=（行，列）
tensor([[[[0., 0., 0., 0., 0., 0., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 0., 0., 0., 0., 0., 0.]]]])
tensor([[[[0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0.]]]])
2.3 卷积核
filters1 = torch.tensor([-1.0,0,0,-1]).reshape([1,1,2,2])
filters2 = torch.tensor([-1.0, 0, 0, -1, -1,0,0,-1]).reshape([2,1,2,2])
filters3 = torch.tensor([-1.0,0,0,-1, -1.0,0,0,-1, -1.0,0,0,-1]).reshape([3,1,2,2])
filters4 = torch.tensor([-1.0,0,0,-1, -1.0,0,0,-1, -1.0,0,0,-1, -1.0,0,0,-1]).reshape([2,2,2,2])
filters5 = torch.tensor([-1.0,0,0,-1, -1.0, 0,0,-1]).reshape([1,2,2,2])
print(filters1)
print(filters2)
print(filters3)
print(filters4)
print(filters5)后面reshape决定卷积核的形状【卷积核个数，图像通道数（几个阵），卷积核高度，卷积核宽度】
输出。
tensor([[[[-1., 0.],
[ 0., -1.]]]])
tensor([[[[-1., 0.],
[ 0., -1.]]],
[[[-1., 0.],
[ 0., -1.]]]])
tensor([[[[-1., 0.],
[ 0., -1.]]],
[[[-1., 0.],
[ 0., -1.]]],
[[[-1., 0.],
[ 0., -1.]]]])
tensor([[[[-1., 0.],
[ 0., -1.]],
[[-1., 0.],
[ 0., -1.]]],
[[[-1., 0.],
[ 0., -1.]],
[[-1., 0.],
[ 0., -1.]]]])
tensor([[[[-1., 0.],
[ 0., -1.]],
[[-1., 0.],
[ 0., -1.]]]])
3. 卷积函数走一走
op1 = torch.nn.functional.conv2d(input1,filters1,stride=2,padding=1)
op2 = torch.nn.functional.conv2d(input1,filters2,stride=2,padding=1)
op3 = torch.nn.functional.conv2d(input1,filters3,stride=2,padding=1)
op4 = torch.nn.functional.conv2d(input2,filters4,stride=2,padding=1)
op5 = torch.nn.functional.conv2d(input2,filters5,stride=2,padding=1)
op6 = torch.nn.functional.conv2d(input1,filters1,stride=2,padding=0)
print(op1)
print(op2)
print(op3)
print(op4)
print(op5)
print(op6)输出。
tensor([[[[-1., -1., -1.],
[-1., -2., -2.],
[-1., -2., -2.]]]])
tensor([[[[-1., -1., -1.],
[-1., -2., -2.],
[-1., -2., -2.]],
[[-1., -1., -1.],
[-1., -2., -2.],
[-1., -2., -2.]]]])
tensor([[[[-1., -1., -1.],
[-1., -2., -2.],
[-1., -2., -2.]],
[[-1., -1., -1.],
[-1., -2., -2.],
[-1., -2., -2.]],
[[-1., -1., -1.],
[-1., -2., -2.],
[-1., -2., -2.]]]])
tensor([[[[-2., -2., -2.],
[-2., -4., -4.],
[-2., -4., -4.]],
[[-2., -2., -2.],
[-2., -4., -4.],
[-2., -4., -4.]]]])
tensor([[[[-2., -2., -2.],
[-2., -4., -4.],
[-2., -4., -4.]]]])
tensor([[[[-2., -2.],
[-2., -2.]]]])