Python PyTorch conv2d用法及代码示例

本文简要介绍python语言中 torch.nn.functional.conv2d 的用法。

用法:

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor

参数：

• input-形状的输入张量(\text{minibatch} , \text{in\_channels} , iH , iW)

• weight-形状过滤器(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kH , kW)

• bias-形状为 (\text{out\_channels}) 的可选偏置张量。默认值：None

• stride-卷积核的步幅。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 1 以外的任何步幅值。

  警告

  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，则内部可能需要完整的 pad() 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} 应该可以被组数整除。默认值：1

在由多个输入平面组成的输入图像上应用 2D 卷积。

该运算符支持 TensorFloat32。

有关详细信息和输出形状，请参见 Conv2d 。

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。

例子：

>>> # With square kernels and equal stride
>>> filters = torch.randn(8, 4, 3, 3)
>>> inputs = torch.randn(1, 4, 5, 5)
>>> F.conv2d(inputs, filters, padding=1)