深入卷积核

深入了解卷积操作

一、nn.Conv2d() (类式接口) 用法

nn.Conv2d( in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)

 in_channels:输入通道

out_channels:输出通道

kernel：卷积核大小，int 或 元组 类型

stride：步长 每次滑动步长，默认1

padding：设置边界增加值 0 的边距大小 例：padding = 1，原图像 3*3 → 5*5 外扩一圈0，卷积后大小保持不变。反卷积也通过扩充边界进行操作。

dilation：对卷积核间距扩充，中间补0

深入理解：在 in_channels=m时， out_channels = n，则会有对应 n个，m通道的卷积核对应生成，通道数输入的图像通道一致，参数随机，最终输出n个。在进行卷积时，卷积核与图像的对应通道分别卷积，后加偏置Bias 输出。

代码深入理解：输入图像 [1,2,4,4]，1张图像，2通道数，4*4大小  且2个通道像素点全部赋1（为了更好理解）

　　　　　　   设置nn.Conv2d(), out_channels = 1,1个卷积核   

　　　　　　　Weight 为随机生成参数 维度[1,2,3,3]    1卷积核 2通道 3*3 卷积大小

                        Bias 偏置  随机

　　　　　　　由实验得出 ，'Num 1'+'Num 2' + bias 计算的 只是 卷积后

　　　　　　　某一点的 像素值。由(W-F+2*P)/S+1得输出为由  [2,2] 的四个点，因输入图片4*4

　　　　　　   全为1，且卷积核参数 在卷积时参数不变，则四个点的值相等。

　　　　　　　结果得 ：'Num 1'+'Num 2' + bias 与 net(x) 内的值相等

相关链接：https://blog.csdn.net/v_JULY_v/article/details/51812459?

# -*- coding = utf-8 -*-
# @Time : 2021/8/24 19:56
# @Author : Lv
# @File : Kernel.py
# @ Software : PyCharm
import torch
import torch.nn as nn
class Net(nn.Module):
    def __init__(self,):
        super(Net,self).__init__()  # 继承父类
        self.conv1 = nn.Conv2d(in_channels=2,out_channels=1,kernel_size=3,stride=1,padding=0) # 大小不变

    def forward(self,x):
        x = self.conv1(x)
        Weight = self.conv1.weight.data  # 卷积核权重  [1,2,3,3]
        Bias = self.conv1.bias.data
        print('Weight:',Weight,sep='\n',end='\n\n')
        print('Bias',Bias)
        w1 = Weight[0,0,:,:]   # 切片 第一个通道卷积核
        w2 = Weight[0,1,:,:]
        print('Num 1',sum(sum(w1)))  # 对卷积核1通道加和 3*3参数直接加和 因 输入图片 全1 矩阵 可认为不用内积
        print('Num 2',sum(sum(w2)))  # 对卷积核2通道加和
        w = sum(sum(w1)) + sum(sum(w2))  # 两通道加和
        print('\nResult',w+Bias)     # 加偏置

        return x
x = torch.ones(1,2,4,4)
print('输入',x,end='\n')
net = Net()
print(net(x))