Conv2d参数详解及复写

文档注释

def __init__(self,              in_channels: int,              out_channels: int,              kernel_size: tuple[int, ...],              stride: tuple[int, ...] = 1,              padding: str = 0,              dilation: tuple[int, ...] = 1,              groups: int = 1,              bias: bool = True,              padding_mode: str = 'zeros',              device: Any = None,              dtype: Any = None) -> None Base class for all neural network modules. Your models should also subclass this class. Modules can also contain other Modules, allowing to nest them in a tree structure. You can assign the submodules as regular attributes: import torch.nn as nn import torch.nn.functional as F 

Conv2d要求输入（N , C , h , w ）= ( 样本数 , 通道数 ，高度 ，宽度 )，Conv1d...类比

channel 通道控制组

in_channels ：输入通道数，对输入的限制
out_channels : 输出通道数，要求卷积层有对应数量的卷积核，影响模型参数数量

h,w 控制组

kernel_size：卷积核维度，int => (int,int) 或 tuple
stride：卷积核移动步长，int/tuple 同上
padding：给输入h,w边界填充值，一般用于控制输出维度是否变化、上下文信息是否合并 padding_mode：填充的值
dilation：卷积区域扩张量，1：输入tensor卷积区域于卷积核一样大 2：卷积区域节点间距离1 ，依次类推 图像示例

公式推导：

源头 ：Hout = (H - [(d-1)*(k-1) + k]) // Strid + 1 ，解释如下：

• // 整除左侧为输入H方向 除去初始占位长度 剩余可移动长度

  • H 为输入总长度 ， (d-1)*(k-1) + k：扩展空格区域+实际卷积区域=初始所占长度

• // 整除右侧整除步长，即剩余的长度可容许 几次步长 移动，必须是整除

• +1 初始占位区域经过映射后也会产生一个值到 输出tensor中，所以 +1