本文主要是介绍PyTorch中卷积的简单操作，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

卷积

Conv1d

Conv1d

• input：形状的输入张量

• weight： 形状过滤器

• bias：形状的可选偏置张量( out_channels ). 默认：None

• stride：卷积核的步长。可以是单个数字或元组(sH, sW)。默认值：1

• padding：输入两侧的隐式填充。可以是字符串 {‘valid’, ‘same’}、单个数字或元组(padH, padW)。默认值：0 padding='valid'与无填充相同。padding='same'填充输入，使输出具有作为输入的形状。但是，此模式不支持除 1 以外的任何步幅值。

  对于padding='same'，如果weight是偶数长度并且 dilation在任何维度上都是奇数，则pad()内部可能需要完整操作。降低性能。

• dilation：内核元素之间的间距。可以是单个数字或元组(dH, dW)。默认值：1

• groups：将输入分成组，\text{in_channels}输入频道应该可以被组数整除。默认值：1

import torch
import torch.nn.functional as F

input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]])

kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])

input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))

print(input.shape)
print(kernel.shape)

output = F.conv2d(input, kernel, stride=1)
print(output)

输出结果：

output2 = F.conv2d(input, kernel, stride=2)
print(output2)

output3 = F.conv2d(input, kernel, stride=1, padding=1)
print(output3)

输出结果：

Conv2d

Conv2d

• in_channels (int)：输入图像中的通道数
• out_channels(int)：卷积产生的通道数
• kernel_size(int or tuple)：卷积核的大小
• stride(int or tuple, optional)：卷积的步幅。默认值：1
• padding(int, tuple or str, optional)：填充添加到输入的所有四个边。默认值：0
• padding_mode(string, optional)：‘zeros’,‘reflect’,‘replicate’或‘circular’。默认：‘zeros’
• dilation(int or tuple,optional)：内核元素之间的间距。默认值：1
• groups(int, optional)：从输入通道到输出通道的阻塞连接数。默认值：1
• bia(*bool, optional)：如果True，则向输出添加可学习的偏差。默认：True

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10(root = "./dataset", train = False,
                                       transform = torchvision.transforms.ToTensor(), download = True)
dataloader = DataLoader(dataset, batch_size = 64)


class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = Conv2d(in_channels = 3, out_channels = 6, kernel_size = 3, stride = 1, padding = 0)

    def forward(self, x):
        x = self.conv1(x)
        return x


model = Model()

writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs, targets = data
    output = model(imgs)
    print(imgs.shape)
    print(output.shape)
    # torch.Size([64, 3, 32, 32])
    writer.add_images("input", imgs, step)
    # torch.Size([64, 6, 30, 30])  -> [xxx, 3, 30, 30]
    output = torch.reshape(output, (-1, 3, 30, 30))
    writer.add_images("output", output, step)

    step = step + 1

writer.close()

运行结果：

这篇关于PyTorch中卷积的简单操作的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！