Torch卷积

1. 2D 卷积

代码语言：javascript复制

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

• 输入尺度：(N,C_{in},H_{in},W_{in})
• 输出尺度： (N,C_{out},H_{out},W_{out})

begin{array}{c} H_{out} = floor((H_{in} 2 times padding[0] - dilation[0] times (kernerl_size[0]-1)-1) / stride[0] 1) end{array}

begin{array}{c} W_{out} = floor((W_{in} 2 times padding[1] - dilation[1] times (kernerl_size[1] - 1) - 1) / stride[1] 1) end{array}

2. 2D 反卷积

代码语言：javascript复制

class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True)

• 输入尺度：(N,C_{in},H_{in},W_{in})
• 输出尺度： (N,C_{out},H_{out},W_{out})

begin{array}{c} H_{out} = (H_{in} - 1) times stride[0] - 2 times padding[0] kernel_size[0] output_padding[0] end{array}

begin{array}{c} W_{out} = (W_{in} - 1) times stride[1] - 2 times padding[1] kernel_size[1] output_padding[1] end{array}

【注】Conv2d 函数中的 stride 为卷积核的移动步长，padding 为输入张量的填充长度；而 ConvTranspose2d 函数中的 stride 为输入张量元素的间隔，padding 为输入张量的填充长度减小值。

在 ConvTranspose2d 中，stride 后的张量步长为：

begin{array}{c} o = (i - 1) times stride 1 end{array}

此外，ConvTranspose2d 默认对输入张量做全填充，即 kernel_size / 2 函数中的 padding

则是用来指定填充步长的减小值，即最终填充步长为

begin{array}{c} kernel_size / 2 - padding end{array}

而 output_padding 是在转置卷积后，给输出张量增加的 0 填充步长。

kernel

0 人点赞