这篇文章主要讲解了“F.conv2d pytorch卷积计算方式是什么”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“F.conv2d pytorch卷积计算方式是什么”吧！
F.conv2d pytorch卷积计算
Pytorch里一般小写的都是函数式的接口，相应的大写的是类式接口。
函数式的更加low-level一些，如果不需要做特别复杂的配置只需要用类式接口就够了。
可以这样理解
nn.Conved是2D卷积层，而F.conv2d是2D卷积操作。
import torchfrom torch.nn import functional as F """手动定义卷积核(weight)和偏置"""w = torch.rand(16, 3, 5, 5) # 16种3通道的5乘5卷积核b = torch.rand(16) # 和卷积核种类数保持一致(不同通道共用一个bias) """定义输入样本"""x = torch.randn(1, 3, 28, 28) # 1张3通道的28乘28的图像 """2D卷积得到输出"""out = F.conv2d(x, w, b, stride=1, padding=1) # 步长为1,外加1圈padding,即上下左右各补了1圈的0,print(out.shape) out = F.conv2d(x, w, b, stride=2, padding=2) # 步长为2,外加2圈paddingprint(out.shape)out = F.conv2d(x, w) # 步长为1,默认不padding, 不够的舍弃，所以对于28*28的图片来说，算完之后变成了24*24print(out.shape)在DSSINet发现又用到了空洞卷积dilated convolution
mu1 = F.conv2d(img1, window , padding=padd, dilation=dilation, groups=channel)Dilated/Atrous convolution或者是convolution with holes从字面上就很好理解，是在标准的convolution map里注入空洞，以此来增加感受野reception field。
相比原来的正常卷积，空洞卷积多了一个超参数dilation rate,指的是kernel的间隔数量（正常的卷积是dilation rate=1)
正常图像的卷积为
空洞卷积为
现在我们再来看下卷积本身，并了解他背后的设计直觉，以下主要探讨空洞卷积在语义分割(semantic segmentation)的应用。
卷积的主要问题
up-sampling/pooling layer(e.g. bilinear interpolation) is deterministic(not learnable)
内部数据结构丢失，空间层级化信息丢失。
小物体信息无法重建（假设有4个pooling layer,则任何小于2^4=16 pixel的物体信息将理论上无法重建）
在这样问题的存在下，语义分割问题一直处于瓶颈期无法再明显提高精度，而dilated convolution 的设计就良好的避免了这些问题。
对于dilated convolution,我们已经可以发现他的优点，即内部数据结构的保留和避免使用down_sampling这样的特性。但是完全基于dilated convolution的结构如何设计则是一个新的问题。
pytorch中空洞卷积分为两类，一类是正常图像的卷积，另一类是池化时候。
空洞卷积的目的是为了在扩大感受野的同时，不降低图片分辨率和不引入额外参数及计算量（一般在CNN中扩大感受野都需要使用S》1的conv或者pooling,导致分辨率降低，不利于segmentation,如果使用大卷积核，确实可以达到增大感受野，但是会引入额外的参数及计算量）。
F.Conv2d和nn.Conv2d
import torchimport torch.nn.functional as F# 小括号里面有几个[]就代表是几维数据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]])kernel = torch.tensor([[1,2,1], [0,1,0], [2,1,0]])input = torch.reshape(input,(1,1,5,5))kernel = torch.reshape(kernel,(1,1,3,3))# stride代表的是步长的意思，即每次卷积核向左或者向下移动多少步进行相乘# 因为conv2d的input和weight对应的tensor是[batch,channel,h,w],所以上述才将它们进行reshapeoutput = F.conv2d(input,kernel,stride=1)print(output)output = F.conv2d(input,kernel,stride=2)print(output)# padding代表的是向上下左右填充的行列数，里面数字填写0output3 = F.conv2d(input,kernel,stride=1,padding=1)print(output3)import torchimport torchvisionfrom torch.utils.data import DataLoaderfrom torch import nnfrom torch.nn import Conv2dfrom torch.utils.tensorboard import SummaryWriterdataset = torchvision.datasets.CIFAR10('./torchvision_dataset', train=False, download=False, transform=torchvision.transforms.ToTensor())# 准备好数据集就放在dataloader中进行加载dataloader = DataLoader(dataset, batch_size=64)# 开始定义一个卷积类class Zkl(nn.Module): def __init__(self): super(Zkl, 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 xwriter = SummaryWriter("nn_conv2d")zkl = Zkl()# print(zkl)step = 0for data in dataloader: imgs,target = data output = zkl(imgs) #print(imgs.shape) #print(output.shape) writer.add_images('nn_conv2d_input',imgs,step) #因为输出是6个通道，tensorboard无法解析，所以需要reshape三个通道 output = torch.reshape(output,(-1,3,30,30)) writer.add_images('nn_conv2d_output',output,step) step+=1writer.close()感谢各位的阅读，以上就是“F.conv2d pytorch卷积计算方式是什么”的内容了，经过本文的学习后，相信大家对F.conv2d pytorch卷积计算方式是什么这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是编程网，小编将为大家推送更多相关知识点的文章，欢迎关注！
