Класс Conv2d

Класс Conv2d применяет двумерную свертку к входным данным. Он принимает входной тензор формы (batch_size, in_channels, height, width) и возвращает тензор формы (batch_size, out_channels, new_height, new_width). Параметры свертки (веса и смещения) обучаются в процессе обратного распространения. Основные параметры: in_channels - количество входных каналов, out_channels - количество выходных каналов (фильтров), kernel_size - размер ядра свертки.

Синтаксис

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
)

Основные параметры

in_channels - количество каналов на входе (например, 3 для RGB-изображения). out_channels - количество фильтров, которые будет применять слой. kernel_size - размер ядра свертки (целое число или кортеж). stride - шаг свертки (по умолчанию 1). padding - добавление нулей по краям (по умолчанию 0). padding_mode - режим заполнения ('zeros', 'reflect', 'replicate', 'circular'). bias - булево значение, добавлять ли обучаемый bias.

Пример

Создадим сверточный слой с одним входным каналом, одним выходным каналом и ядром 3x3:

import torch
import torch.nn as nn

conv = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3)
print(conv)

Результат выполнения кода:

Conv2d(1, 1, kernel_size=(3, 3), stride=(1, 1))

Пример

Применим свертку к случайному тензору размером 1x1x5x5 (батч, каналы, высота, ширина):

import torch
import torch.nn as nn

torch.manual_seed(0)
conv = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3)
t = torch.randn(1, 1, 5, 5)
res = conv(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 1, 3, 3])

Пример

Используем свертку с шагом 2 и паддингом 1 для сохранения размера:

import torch
import torch.nn as nn

torch.manual_seed(0)
conv = nn.Conv2d(
	in_channels=3,
	out_channels=10,
	kernel_size=3,
	stride=2,
	padding=1
)
t = torch.randn(1, 3, 32, 32)
res = conv(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 10, 16, 16])

Пример

Создадим свертку с ядром 5x5 и нулевым паддингом, чтобы выходные размеры совпадали с входными:

import torch
import torch.nn as nn

torch.manual_seed(0)
conv = nn.Conv2d(
	in_channels=3,
	out_channels=16,
	kernel_size=5,
	padding=2
)
t = torch.randn(8, 3, 64, 64)
res = conv(t)
print(res.shape)

Результат выполнения кода:

torch.Size([8, 16, 64, 64])

Смотрите также

класс Conv1d,
который выполняет одномерную свертку для последовательных данных
класс Conv3d,
который выполняет трехмерную свертку для объемных данных
класс MaxPool2d,
который выполняет операцию пулинга для уменьшения размерности
класс BatchNorm2d,
который выполняет нормализацию данных после сверточных слоев