conv2d参数（conv2d参数解释TensorFlow）

科技前沿 • 2025-04-14 07:42 • 阅读 47

大家好，我是讯享网，很高兴认识大家。

 <p>import torch</p>

讯享网

import torch.nn.functional as F

# 创建一个 5x5 的二维张量作为输入

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]])

# 创建一个 3x3 的二维张量作为卷积核

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

[0, 1, 0],

[2, 1, 0]])

# 重塑 input 和 kernel 张量以符合 conv2d 的期望输入格式

# conv2d 需要输入的形状为 (batch_size, channels, height, width)

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

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

# 打印 input 和 kernel 的形状以确认变换

print(input.shape) # 输出: torch.Size([1, 1, 5, 5])

讯享网

print(kernel.shape) # 输出: torch.Size([1, 1, 3, 3])

# 应用 conv2d 函数进行卷积操作，步长为 1

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

print(output) # 输出卷积结果

# 应用 conv2d 函数进行卷积操作，步长为 2

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

print(output2) # 输出卷积结果

# 应用 conv2d 函数进行卷积操作，步长为 1，同时添加 padding

# padding=1 表示在输入张量的边界添加一圈宽度为 1 的零填充

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

print(output3) # 输出卷积结果

讯享网import torch import torchvision from torch import nn from torch.utils.data import DataLoader from torchvision.ops.misc import Conv2d #获取数据 dataset=torchvision.datasets.CIFAR10(“https://blog.csdn.net/m0_/article/data",train=False,transform=torchvision.transforms.ToTensor(),  download&#61;True) 
 #封装数据，加载数据 dataloader=DataLoader(dataset,batch_size=64) #卷积神经 class CR(nn.Module): 讯享网def __init__(self): super(CR,self).__init__() #kernel_size 定义卷积核大小 self.conv1&#61;Conv2d(in_channels&#61;3,out_channels&#61;6,kernel_size&#61;3,stride&#61;1,padding&#61;0) def forward(self,x): x&#61;self.conv1(x) return x 
 cr=CR() print(cr)

conv2d参数（conv2d参数解释TensorFlow）

相关推荐