pytorch使用——（八）卷积层_pytorch如何让卷积核做成四邻域

一、1d/2d/3d Convolution

卷积过程类似于用一个模版去图像上寻找与它相似的区域，与卷积核模式越相似，激活值越高，从而实现特征提取。卷积核学习
到的是边缘，条纹，色彩这一些细节模式。

• 卷积运算：卷积核在输入信号（图像）上滑动，相应位置上进行乘加
• 卷积核：又称为滤波器，过滤器，可认为是某种模式，某种特征。
• 卷积维度：一般情况下，卷积核在几个维度上滑动，就是几维卷积

二、nn.Conv2d

功能：对多个二维信号进行二维卷积

nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1，bias=True,padding_mode='zeros')

主要参数：

• in_channels：输入通道数
• out_channels：输出通道数，等价于卷积核个数
• kernel_size：卷积核尺寸
• stride：步长

• padding ：填充个数

• dilation：空洞卷积大小

• groups：分组卷积设置
• bias：偏置

三、转置卷积

1、含义

转置卷积又称为反卷积(Deconvolution)和部分跨越卷积(Fractionally strided Convolution) ，用于对图像进行上采样(UpSample)。

2、为什么称为转置卷积？只是维度上是转置，不是数值上原始卷积等于转置卷积。

正常卷积：假设图像尺寸为4*4，卷积核为3*3，padding=0，stride=1；图像：I