pytorch 笔记:torch.nn.Conv2d
1 基本用法
torch.nn,Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)
2 参数详解
参数 kernel_size,stride,padding,dilation 都可以是一个整数或者是一个元组,一个值的情况将会同时作用于高和宽 两个维度,两个值的元组情况代表分别作用于高或宽维度。
in_channels |
输入的通道数目 【必选】 |
out_channels |
输出的通道数目 【必选】 也就是这一个卷积操作中卷积核filter的数量 |
kernel_size |
卷积核的大小,类型为int 或者元组, 当卷积是方形的时候,只需要一个整数边长即可,卷积不是方形,要输入一个元组表示 高和宽。【必选】 每次将输入卷积操作的kernel_size大小的内容进行卷积操作得到一个结果 |
stride |
卷积每次滑动的步长为多少,默认是 1 【可选】 以kernel_size为1为例,会有: 这一轮考虑的是a[i][j],下一轮考虑的就是a[i][j+stride] |
padding |
设置在所有边界增加 值为 0 的边距的大小(也就是在feature map 外围增加几圈 0 ) 例如当 padding =1 的时候,如果原来大小为 3 × 3 ,那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【可选】 padding的作用是为了维护输出的维度 |
dilation |
控制卷积核之间的间距【可选】 如果我们设置的dilation=0的话,效果如图:(蓝色为输入,绿色为输出,卷积核为3 × 3) 如果设置的是dilation=1,那么效果如图:(蓝色为输入,绿色为输出,卷积核仍为 3 × 3 。) |
3 输入输出形状
假设输入形状为:,输出形状为:
(batchsize, channel, height, width)
那么,根据ConV2d的参数,我们有:
参考文献:
torch.nn.Conv2d() 用法讲解_假装很坏的谦谦君-CSDN博客_conv2d
pytorch 笔记:torch.nn.Conv2d相关推荐
- pytorch之torch.nn.Conv2d()函数详解
文章目录 一.官方文档介绍 二.torch.nn.Conv2d()函数详解 参数详解 参数dilation--扩张卷积(也叫空洞卷积) 参数groups--分组卷积 三.代码实例 一.官方文档介绍 官 ...
- PyTorch 笔记(20)— torchvision 的 datasets、transforms 数据预览和加载、模型搭建(torch.nn.Conv2d/MaxPool2d/Dropout)
计算机视觉是深度学习中最重要的一类应用,为了方便研究者使用,PyTorch 团队专门开发了一个视觉工具包torchvision,这个包独立于 PyTorch,需通过 pip instal torchv ...
- PyTorch学习笔记(9)——nn.Conv2d和其中的padding策略
一. Caffe.Tensorflow的padding策略 在之前的转载过的一篇文章--<tensorflow ckpt文件转caffemodel时遇到的坑>提到过,caffe的paddi ...
- conv2d的输入_pytorch1.0中torch.nn.Conv2d用法详解
Conv2d的简单使用 torch 包 nn 中 Conv2d 的用法与 tensorflow 中类似,但不完全一样. 在 torch 中,Conv2d 有几个基本的参数,分别是 in_channel ...
- torch.nn.Conv2d
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, group ...
- torch.nn.Conv2d() 用法讲解
本文是深度学习框架 pytorch 的API : torch.nn.Conv2d() 函数的用法.本博客介绍了 torch.nn.Conv2d() 各个参数的含义和用法,学会使用 pytorch 创建 ...
- Pytorch中torch.nn.Softmax的dim参数含义
自己搞了一晚上终于搞明白了,下文说的很透彻,做个记录,方便以后翻阅 Pytorch中torch.nn.Softmax的dim参数含义
- 【PyTorch】torch.nn.Transformer解读与应用
nn.TransformerEncoderLayer 这个类是transformer encoder的组成部分,代表encoder的一个层,而encoder就是将transformerEncoderL ...
- 【Pytorch】torch.nn.Conv1d()理解与使用
官方文档:https://pytorch.org/docs/stable/generated/torch.nn.Conv1d.html?highlight=nn%20conv1d#torch.nn.C ...
最新文章
- 报名 | 期末考后,快来打比赛赢万元奖金!(北京上海)
- Linux(Contos7.5)环境搭建之Gitblit安装(三)
- 用Perl发送邮件小例子
- Excel批量导入数据库
- Linux文本查看命令之touch
- php 多线程处理redis,redis的多线程
- js实现手机端、pc端相应的跳转
- 我混了大半辈子,忽然成了拆二代
- C++ 数据类型转换详解之终极无惑
- C语言通过modf()函数实现小数分离
- 西门子博图怎么导入库文件_【傻瓜教程】博途中库的建立与使用方法(工控公开课 今晚8点 老地方 不见不散!)...
- html边界填充边框,CSS边界与填充
- 力天创见客流统计分析系统
- 顶级赛事!2021 CCF大数据与计算智能大赛重磅开赛!
- 最全长文详述“数字人民币简史”,揭开数字人民币神秘面纱
- LaTex 自动生成IEEE格式的参考文献
- uniapp切换中英文
- ev3和python哪个好_乐高教育EV3比SPIKE Prime更好的十个理由!
- 10G DWDM SFP+ Tunable可调光模块与常规DWDM光模块的区别
- 从leetcode1. 两数之和循序渐进(双指针,BST,哈希表)
热门文章
- 《github一天一道算法题》:插入排序
- 《降级论》《按时交作业的学生何以常穿脏袜子》读后感
- innodb_monitor
- Python使用pyserial进行串口通信
- bilibili深入理解计算机系统笔记(1):汇编模拟器能跑了
- 当前元素_90行代码,15个元素实现无限滚动
- 同步轨道进入过程_工业轨道运输车_液压升降型轨道平车的应用
- 如何在Panel中嵌入子窗体
- c语言交换a b(运算符),关于编程语言:是否有一个复合赋值运算符用于a = b
- 一秒等于多少毫秒_使用kibana对电影一秒钟影评数据测试,详述配图演示如何使用收藏了...