初入torch的时候首先看的就是卷积，‘食嗝多黏’ 来记录一下以备不时之需。以下使用的都是torch.nn.functional.conv2d来计算，因为这个可以传入自己的权重矩阵，观察起来比较方便。

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=’zeros’, device=None, dtype=None)

参数释义

stride

stride 表示卷积核滑动的步长。例子如下

x = torch.Tensor([x for x in range(25)]).view(1, 1, 5, 5)
w = torch.Tensor([1, 1, 1, 1]).view(1, 1, 2, 2)
print(x)
print(w)
print(conv2d(x, w))
print(conv2d(x, w, stride=2))

输入矩阵
tensor([[[[ 0.,  1.,  2.,  3.,  4.],
          [ 5.,  6.,  7.,  8.,  9.],
          [10., 11., 12., 13., 14.],
          [15., 16., 17., 18., 19.],
          [20., 21., 22., 23., 24.]]]])

权重矩阵
tensor([[[[1., 1.],
          [1., 1.]]]])

下面是步长为1的默认情况
tensor([[[[12., 16., 20., 24.],
          [32., 36., 40., 44.],
          [52., 56., 60., 64.],
          [72., 76., 80., 84.]]]])

这是步长为2的情况
tensor([[[[12., 20.],
          [52., 60.]]]])

步长为1的时候就是最简单的卷积。步长为2的时候，首先是左上角(0,1,5,6)构成的卷积结果为12，然后步长为2，下一步就跳过了（1，2，6，7）直奔（2,3,7,8）所以结果为20，此时再往右走两步没有足够的空间了，所以直接开始纵向上的移动。

因为设置的步长为2，所以跳过了(5,6,7,8,9)这一行，直接从（10，11，12，13，14）这一行开始。和第一行一样，这里只计算了(10,11,15,16)的结果52 以及（12，13，17，18）的结果60.

接下来再往下移动的时候下方的空间不足了（步长为2，跳过了(15,16,17,18,19)这一行），卷积结束。

dilation（空洞卷积）

卷积核各个元素之间的间隔。默认的卷积方式dilation=1

 下图是dilation=2的情况

语言难以描述，有图自有真相。

groups（深度可分离卷积）

groups参数将 in_channel和out_channel 按照次序分别分成了一 一对应的groups组。

比如 in_channels = 10       out_channels = 15          groups = 5

那么会生成5组数据，第一组卷积核能看到 in_channels[0:2]，生成out_channels[0:3]，以此类推。

最终将这5个组concatenate起来得到最终的结果。groups使得卷积忽略了一部分通道间的交互信息。当groups=in_channels时，卷积变成了深度可分离卷积，此时生成的结果通道之间没有任何交互，通常需要再进行一次卷积核大小为1*1的卷积来联合通道信息。这样做的目的时能够极大幅度的减少模型参数数量。

今天的文章torch.conv2d stride,dilation,groups分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。