6.3 填充和步幅

import torch
from torch import nn


# conv2d：卷积模型
# X：待卷积的图像（行数，列数）
# 定义一个进行卷积操作的函数，返回卷积操作后的图像（不包含批量大小和通道数）
def comp_conv2d(conv2d, X):
    # 把X维度扩充为（批量大小，通道数，行数，列数）
    X = X.reshape((1, 1) + X.shape)
    Y = conv2d(X)
    # 返回卷积操作后的图像（不包含批量大小和通道数）
    return Y.reshape(Y.shape[2:])

# 定义一个卷积层，1个输入通道，1个输出通道，卷积核大小为3×3，在四周各填充一层0
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1)
X = torch.rand(size=(8, 8))
Y= comp_conv2d(conv2d, X)
print(Y.shape)
# 输出：
# torch.Size([8, 8])

# 定义一个卷积层，1个输入通道，1个输出通道，卷积核大小为5×3，上下各填充两行0，左右各填充1列0
conv2d = nn.Conv2d(1, 1, kernel_size=(5, 3), padding=(2, 1))
Y = comp_conv2d(conv2d, X)
print(Y.shape)
# 输出：
# torch.Size([8, 8])

# 定义一个卷积层，1个输入通道，1个输出通道，卷积核大小为3×3，在四周各填充一层0，步幅为2
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1, stride=2)
Y = comp_conv2d(conv2d, X)
print(Y.shape)
# 输出：
# torch.Size([8, 8])

# 定义一个卷积层，1个输入通道，1个输出通道，卷积核大小为3×5，上下不填充，左右各填充1列，向下步幅为3，向右步幅为4
conv2d = nn.Conv2d(1, 1, kernel_size=(3, 5), padding=(0, 1), stride=(3, 4))
Y = comp_conv2d(conv2d, X)
print(Y.shape)
# 输出：
# torch.Size([8, 8])