本文主要是介绍【Pytorch】6.torch.nn.functional.conv2d的使用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
阅读之前应该先了解基础的CNN网络的逻辑
conv2d的作用
是PyTorch中用于执行二维卷积操作的函数。它的作用是对输入数据进行二维卷积操作，通常用于图像处理和深度学习中的卷积神经网络（CNN）模型。
conv2d的使用
我们先查看一下官方文档
input用于存放输入weight用于存放卷积核bias为偏置stride用于记录步长，默认为1，代表每次卷积计算后移动的步数padding用于对外边框进行填充，默认为0
首先导入包
import torch # 用于创建tensor形式的input与kernel
import torch.nn.functional as F # 用于完成卷积操作
然后创建torch类型的input与kernel
# 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]])# 卷积核
kernel = torch.tensor([[1, 2, 1],[0, 1, 0],[2, 1, 0]])
但是我们这样创建的input和kernel只是shape为2的，而我们的conv2d需要使用shape=4的类型，我们需要通过torch.reshape()
input = torch.reshape(input,[1, 1, 5, 5]) # 将原本维度为2的转化为维度为4的，分别代表数量，通道(RGB)，长，宽
kernel = torch.reshape(kernel,[1, 1, 3, 3])
然后通过
output = F.conv2d(input, kernel, stride=1, padding=0)
来进行卷积运算
这篇关于【Pytorch】6.torch.nn.functional.conv2d的使用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
