pytorch1.0中torch.nn.Conv2d用法详解
Conv2d的简单使用
torch包nn中Conv2d的用法与tensorflow中类似，但不完全一样。
在torch中，Conv2d有几个基本的参数，分别是
in_channels输入图像的深度
out_channels输出图像的深度
kernel_size卷积核大小，正方形卷积只为单个数字
stride卷积步长，默认为1
padding卷积是否造成尺寸丢失，1为不丢失
与tensorflow不一样的是，pytorch中的使用更加清晰化，我们可以使用这种方法定义输入与输出图像的深度并同时指定使用的卷积核的大小。
而我们的输入则由经由Conv2d定义的参数传入，如下所示：
#定义一个输入深度为1，输出为6，卷积核大小为3*3的conv1变量 self.conv1=nn.Conv2d(1,6,3) #传入原始输入x，以获得长宽与x相当，深度为6的卷积部分 x=self.conv1(x)
要注意的是，Conv2d中所需要的输入顺序为
batchsize,nChannels,Height,Width
其他的简单使用
同样的，与Conv2d类似的函数还有很多，类似max_pool2d、relu等等，他们的使用方法与Conv2d极为类似，如下所示：
#relu函数的使用 F.relu(self.conv1(x)) #池化函数的使用 F.max_pool2d(F.relu(self.conv2(x)),2)
以上这篇pytorch1.0中torch.nn.Conv2d用法详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。