2025年conv2d参数（conv2d参数解释TensorFlow）

编程日记 • 2025-09-28 09:27 • 阅读 47

import torch

import torch.nn.functional as F

# 创建一个 5x5 的二维张量作为输入

input = torch.tensor([[1, 2, 0, 3, 1],

[0, 1, 2, 3, 1],

[1, 2, 1, 0, 0],

[5, 2, 3, 1, 1],

[2, 1, 0, 1, 1]])

# 创建一个 3x3 的二维张量作为卷积核

kernel = torch.tensor([[1, 2, 1],

[0, 1, 0],

[2, 1, 0]])

# 重塑 input 和 kernel 张量以符合 conv2d 的期望输入格式

# conv2d 需要输入的形状为 (batch_size, channels, height, width)

input = torch.reshape(input, (1, 1, 5, 5))

kernel = torch.reshape(kernel, (1, 1, 3, 3))

# 打印 input 和 kernel 的形状以确认变换

print(input.shape) # 输出: torch.Size([1, 1, 5, 5])

print(kernel.shape) # 输出: torch.Size([1, 1, 3, 3])

# 应用 conv2d 函数进行卷积操作，步长为 1

output = F.conv2d(input, kernel, stride=1)

print(output) # 输出卷积结果

# 应用 conv2d 函数进行卷积操作，步长为 2

output2 = F.conv2d(input, kernel, stride=2)

print(output2) # 输出卷积结果

# 应用 conv2d 函数进行卷积操作，步长为 1，同时添加 padding

# padding=1 表示在输入张量的边界添加一圈宽度为 1 的零填充

output3 = F.conv2d(input, kernel, stride=1, padding=1)

print(output3) # 输出卷积结果

import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torchvision.ops.misc import Conv2d
#获取数据
dataset=torchvision.datasets.CIFAR10("https://blog.csdn.net/m0_59522119/article/data",train=False,transform=torchvision.transforms.ToTensor(),
                                     download=True)
#封装数据，加载数据
dataloader=DataLoader(dataset,batch_size=64)
#卷积神经
class CR(nn.Module):
    def __init__(self):
        super(CR,self).__init__()
        #kernel_size 定义卷积核大小
        self.conv1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)
    def forward(self,x):
        x=self.conv1(x)
        return  x
cr=CR()
print(cr)

2025年conv2d参数（conv2d参数解释TensorFlow）

相关推荐