Pytorch中文文档中关于nn.Conv2d函数具体参数介绍：
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
Parameters：
关于填充和步幅, padding可以通过添0扩展输入的矩阵，stride可以控制卷积核每次计算移动的距离，它两都可以控制输出的形状
- 用了nn的模型之后需要加上通道这个维度
- 之所以不用定义卷积核是因为卷积核的值在这里是随机的，可以通过parameter查看,parameter是个对象要转为list显示。设置值可以自己写卷积函数
多通道
- 通过in_channels和out_channels控制，这两个参数以及对输入的要求比较难理解，这里分析一下：
上面这个是卷积核形状：
- 最后两个2，表示卷积核2x2。
- 第一个4对应输出四个通道，用多维的角度去想，即要输出4个通道，每个通道包括一组值，那么应该包括4组，这就是4的含义。
- 第二个2对应输入2个通道，即输入的每个通道都需哟1个2x2的卷积核去卷积，所以两个通道对应2。
- 这里报错是很明显的，因为输入的每个图是3x3，但是在输入通道是1，即每组只有一个特征图，而模型corr2设定的通道是2，需要提供两个特征图，改成下面的代码。
- 这回就没问题了，看输入形状，后三维即4，2，2表示输出了4个2x2特征（卷积得到2x2）。我们可以发现，X的第一个维度2，与输入通道，输出通道是没有关系的，它实际上是表示输入有多少张图，用这个例子解释，两张图每张得到了4个通道的输出，所以是（2，4，2，2）
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/141444.html