torch.nn.functional.conv2d

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor

在由多个输入平面组成的输入图像上应用二维卷积。

此操作符支持TensorFloat32。

有关详细信息和输出形状，请参阅 Conv2d。

注意

在某些情况下，当在 CUDA 设备上使用张量并利用 CuDNN 时，此算子可能会选择一个非确定性算法来提高性能。如果这不可取，你可以尝试将操作设置为确定性的（可能以性能为代价），方法是设置 torch.backends.cudnn.deterministic = True。有关更多信息，请参阅 可复现性。

注意

此运算符支持复数数据类型，例如 complex32, complex64, complex128。

参数

• input – 输入张量，形状为 $(\text{minibatch} , \text{in\_channels} , iH , iW)$

• weight – 滤波器，形状为 $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kH , kW)$

• bias – 可选的偏置张量，形状为 $(\text{out\_channels})$。默认为 None

• stride – 卷积核的步幅。可以是单个数字或元组 (sH, sW)。默认为 1

• padding –

  输入两侧的隐式填充。可以是字符串 {‘valid’, ‘same’}、单个数字或元组 (padH, padW)。默认为 0 padding='valid' 等同于无填充。 padding='same' 会填充输入，使输出形状与输入形状相同。但是，此模式不支持步幅值大于 1 的情况。

  警告

  对于 padding='same'，如果 weight 的长度是偶数且 dilation 在任何维度上都是奇数，则可能需要在内部进行一次完整的 pad() 操作。这会降低性能。

• dilation – 卷积核元素之间的间距。可以是单个数字或元组 (dH, dW)。默认为 1

• groups – 将输入分成组，$\text{in\_channels}$ 和 $\text{out\_channels}$ 都应能被组数整除。默认为 1

示例

>>> # With square kernels and equal stride
>>> filters = torch.randn(8, 4, 3, 3)
>>> inputs = torch.randn(1, 4, 5, 5)
>>> F.conv2d(inputs, filters, padding=1)