Conv2d 的用法

是PyTorch中用于定义二维卷积层的类。它在卷积神经网络（CNN）中广泛用于处理图像数据。以下是该类的用法和参数的详细介绍：

Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros')

记住，在将样本数据传递给Conv2d层之前，确保其形状为(batch_size,channels,height,width)。

参数

in_channels：输入通道数。指定输入数据的通道数。例如，对于RGB图像，in_channels为3。

out_channels：输出通道数。指定卷积层输出的特征图的通道数。这通常决定了卷积核的数量。

kernel_size：卷积核的大小。可以是一个整数或一个元组(kH,kW)，分别指定卷积核的高度和宽度。

stride（默认为1）：卷积操作的步幅。可以是一个整数或一个元组(sH,sW)，分别指定在垂直和水平方向上的步幅。

padding（默认为0）：填充是指在应用卷积之前，在输入张量的周围添加零（或其他值，具体取决于填充模式）。用于控制输出的空间维度。可以是一个整数或一个元组(padH,padW)，指定在输入数据的垂直和水平边缘添加的填充像素数。

dilation（默认为1）：扩张率。可以是一个整数或一个元组(dH,dW)，指定卷积核元素之间的间距。

groups（默认为1）：分组卷积。指定卷积分组的数量。in_channels和out_channels都必须能被groups整除。（这个参数先按默认值，目前还用不到，先不管他。）

bias（默认为True）：是否为每个输出通道添加偏置项。

padding_mode（默认为‘zeros’）：用于指定填充模式。可以是‘zeros’、‘reflect’、‘replicate’和’circular’。

不同的填充模式会影响输入数据边缘的处理方式。以下是padding_mode的几个选项及其含义：

'zeros'（默认）：

–在输入数据的边缘填充零。这是最常用的填充模式，因为它简单且计算效率高。当不需要特别处理边缘特征时，这是一个好的选择。

'reflect'：

–使用输入数据边缘的值进行反射填充。这意味着边缘的值会被镜像反射到填充区域。

–这种模式有助于保留边缘特征，因为它不会引入新的零值。

'replicate'：

–使用输入数据边缘的值进行复制填充。这意味着边缘的值会被复制到填充区域。

–这种模式也有助于保留边缘特征，因为它不会引入新的值，只是复制现有的边缘值。

circular:

–将输入张量的左边缘将被复制到右边缘，上边缘将被复制到下边缘，以此类推，从而在卷积操作中创建一个连续的边缘处理，使得卷积核在边界处的操作能够考虑到输入数据的周期性特征。

注意：

•‘zeros’（置零）：适用于一般用途，但可能会引入人为边界

•‘reflect’（反射）：能更好地保留图像的局部特征

•‘replicate’（复制）：能平滑地扩展边缘信息

•‘circular’（循环）：适用于周期性数据或特定领域的应用

示例：

是不是还是对这几个填充模式云里雾里、傻傻分不清楚，没事儿，下面让我用一个简单的例子来解释“”中的padding_mode参数。

输入一个3×3的张量：

123456789

填充像素数padding=1,下面列出了每种填充模式的输出结果:

padding_mode=‘zeros’:

0000001230045600789000000

padding_mode=‘reflect’:

5456521232545658789854565

padding_mode=‘replicate’:

1123311233445667789977899

padding_mode=‘circular’:

9789731231645649789731231

下面的例子展示了如何使用Conv2d:

:abatchof2RGBimagesofsize64x64input_tensor=(2,3,64,64)Outputshapewillbe[2,16,64,64]

创建Conv2d层后，可以将其作为神经网络的一部分使用。以下是一个简单的例子，展示如何在神经网络中使用Conv2d：

():def__init__(self):super(SimpleCNN,self).__init__()=(3,16,kernel_size=3,stride=1,padding=1)=(kernel_size=2,stride=2)=(16*16*16,10)defforward(self,x):x=((x))x=(x)x=(-1,16*16*16)x=(x)returnx创建一个输入张量input_tensor=(1,3,32,32)前向传播output=net(input_tensor)print(output)

荟萃知识，滋养你我。