一、概念

卷積從數(shù)學(xué)的角度講是一種矩陣的運(yùn)算方法。我們可以用一個(gè)卷積核對(duì)一個(gè)矩陣進(jìn)行卷積運(yùn)算，具體運(yùn)算過程圖示可以見pytorch官網(wǎng)。

卷積運(yùn)算按輸入數(shù)據(jù)的通道數(shù)可分為單通道和多通道兩種。
單通道是指卷積核只有一個(gè)的情況。
多通道包括兩種。
分別是單個(gè)卷積核對(duì)應(yīng)多通道輸入；多卷積核對(duì)應(yīng)多通道輸入，這種最常見。
具體內(nèi)容可見文章。
深度學(xué)習(xí)筆記（一）：卷積層+池化層+激活函數(shù)+全連接層

二、Pytorch示例

在torch.nn下，卷積層按輸入數(shù)據(jù)維度可分為1維，2維，3維。最常用的就是2維Conv2d，參數(shù)解釋可以見官網(wǎng)。
下面用CIFAR10數(shù)據(jù)集做測試。

import torch import torchvision from torch import nn from torch.nn import Conv2d from torch.utils.data import DataLoader from torch.utils.tensorboard import SummaryWriterdataset = torchvision.datasets.CIFAR10("../dataset", train=False, transform=torchvision.transforms.ToTensor(), download=False)dataloader = DataLoader(dataset, batch_size=64)class Wzh(nn.Module):def __init__(self):super(Wzh, self).__init__()self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3)def forward(self, a):a = self.conv1(a)return awzh = Wzh()w = SummaryWriter("Conv2D") i = 0 for data in dataloader:imgs, targets = dataoutput = wzh(imgs) output = torch.reshape(output, (-1, 3, 30, 30))w.add_images("input", imgs, i)w.add_images("output", output, i)i = i + 1

卷積結(jié)果如下：
原圖
卷積后
從圖的變化來看，卷積后的圖片保留了原始圖片的邊緣特征。

總結(jié)

以上是生活随笔為你收集整理的Pytorch基础（四）—— 卷积层的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。