torch.nn.functional.conv2d#
- torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) Tensor #
将卷积应用于由多个输入通道组成的输入图像。
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 设备上处理张量并使用 CuDNN 时,此运算符可能会选择一个非确定性算法来提高性能。如果这不理想,您可以尝试通过设置
torch.backends.cudnn.deterministic = True
来使操作确定性(可能以性能为代价)。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
weight – 滤波器,形状为
bias – 可选的偏置张量,形状为 。默认值:
None
stride – 卷积核的步长。可以是单个数字或元组 (sH, sW)。默认值:1
padding –
在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)。默认值: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,此模式不支持任何步长值(除了 1)。警告
对于
padding='same'
,如果weight
是偶数长度且在任何维度上的dilation
是奇数,则可能需要在内部进行完整的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)。默认值:1
groups – 将输入分割成组, 和 都应能被组数整除。默认值: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)