【Pytorch】torch.nn.conv2d

news2025/11/4 23:34:07

这个函数和我们之前提到的【Pytorch】6.torch.nn.functional.conv2d的使用的作用相似，都是完成CV领域的卷积操作，这里就不在过多赘述

torch.nn.conv2d的使用

打开pytorch的官方文档，我们可以看到
在这里插入图片描述

torch.nn.conv2d包含了若干参数

in_channels：代表输入的通道数
out_channels：代表输出的通道数
kernel_size：代表卷积核的大小，既可以是int类型，也可以是tuple元组类型，比如(2,5)代表卷积核大小为两行五列
stride：代表卷积每次的步长
padding：代表输入层的边缘填充
padding_mode：代表边缘填充的规则，默认为用0填充
dilation：代表膨胀，默认为1
我们也可以通过官方的这个链接link来对每个参数进行了解

具体的使用方法为

# 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)

具体用例

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10(root='./dataset', transform=torchvision.transforms.ToTensor(), train=False,
                                       download=False)

dataLoader = DataLoader(dataset, batch_size=64, shuffle=True)


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)

    def forward(self, x):
        x = self.conv1(x)
        return x


net = Net()

writer = SummaryWriter(log_dir='./logs')

i = 0
for data in dataLoader:
    img, target = data
    output = net.forward(img)
    # print(output.shape)
    writer.add_images('input', img, i)

    # -1是一个占位符，让Pytorch自动计算维度大小
    output = torch.reshape(output,(-1, 3, 30, 30))
    # 无法直接传入6通道，只能3通道
    writer.add_images("output", output, i)
    i = i + 1

writer.close()