当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python PyTorch Conv2d用法及代码示例


本文简要介绍python语言中 torch.nn.Conv2d 的用法。

用法:

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

参数

  • 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或者tuple) -卷积核的大小

  • stride(int或者tuple,可选的) -卷积的步幅。默认值:1

  • padding(int,tuple或者str,可选的) -填充添加到输入的所有四个侧面。默认值:0

  • padding_mode(string,可选的) -'zeros''reflect''replicate''circular' 。默认值:'zeros'

  • dilation(int或者tuple,可选的) -内核元素之间的间距。默认值:1

  • groups(int,可选的) -从输入通道到输出通道的阻塞连接数。默认值:1

  • bias(bool,可选的) -如果 True ,则向输出添加可学习的偏差。默认值:True

变量

  • ~Conv2d.weight(Tensor) -形状模块的可学习权重(\text{out\_channels}, \frac{\text{in\_channels}}{\text{groups}}, \text{kernel\_size[0]}, \text{kernel\_size[1]}) .这些权重的值是从\mathcal{U}(-\sqrt{k}, \sqrt{k}) 其中k = \frac{groups}{C_\text{in} * \prod_{i=0}^{1}\text{kernel\_size}[i]}

  • ~Conv2d.bias(Tensor) -形状模块的可学习偏差(out_channels)。如果 biasTrue ,则这些权重的值是从 中采样的,其中

在由多个输入平面组成的输入信号上应用 2D 卷积。

在最简单的情况下,输入大小为 和输出 的层的输出值可以精确地说明为:

其中 是有效的 2D cross-correlation 运算符, 是批量大小, 表示通道数, 是以像素为单位的输入平面的高度, 是以像素为单位的宽度.

该模块支持 TensorFloat32。

  • stride 控制互相关、单个数字或元组的步幅。

  • padding 控制应用于输入的填充量。它可以是字符串 {‘valid’, ‘same’} 或整数元组,给出两侧应用的隐式填充量。

  • dilation控制内核点之间的间距;也称为 à trous 算法。很难说明,但是这个link 很好地可视化了dilation 的作用。

  • groups 控制输入和输出之间的连接。 in_channelsout_channels 都必须能被 groups 整除。例如,

    • 在 groups=1 时,所有输入都卷积到所有输出。

    • 在 groups=2 时,该操作等效于并排有两个卷积层,每个卷积层看到一半的输入通道并产生一半的输出通道,并且随后将两者连接起来。

    • 在 groups= in_channels ,每个输入通道都与自己的一组过滤器(大小为 )进行卷积。

参数 kernel_sizestridepaddingdilation 可以是:

  • 单个 int - 在这种情况下,高度和宽度尺寸使用相同的值

  • 两个整数的 tuple - 在这种情况下,第一个 int 用于高度维度,第二个 int 用于宽度维度

注意

groups == in_channelsout_channels == K * in_channels 时,其中 K 是正整数,此操作也称为 “depthwise convolution”。

换句话说,对于大小为 的输入,可以使用参数 执行具有深度乘数 K 的深度卷积。

注意

在某些情况下,当在 CUDA 设备上给定张量并使用 CuDNN 时,此运算符可能会选择非确定性算法来提高性能。如果这是不可取的,您可以尝试通过设置 torch.backends.cudnn.deterministic = True 来使操作具有确定性(可能以性能为代价)。有关详细信息,请参阅重现性。

注意

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 1 以外的任何步幅值。

形状:
  • 输入:

  • 输出:

例子

>>> # With square kernels and equal stride
>>> m = nn.Conv2d(16, 33, 3, stride=2)
>>> # non-square kernels and unequal stride and with padding
>>> m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))
>>> # non-square kernels and unequal stride and with padding and dilation
>>> m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2), dilation=(3, 1))
>>> input = torch.randn(20, 16, 50, 100)
>>> output = m(input)

相关用法


注:本文由纯净天空筛选整理自pytorch.org大神的英文原创作品 torch.nn.Conv2d。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。