普通卷积、转置卷积、膨胀卷积详细介绍以及用法

原创

已于 2023-09-25 16:06:32 修改 · 706 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#卷积操作

于 2023-09-21 16:50:51 首次发布

本文详细介绍了普通卷积、转置卷积和膨胀卷积的基本概念、用法，以及在PyTorch中的实现，特别强调了转置卷积的上采样功能和膨胀卷积在语义分割中的作用，同时提到了GriddingEffect问题及其解决策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

普通卷积、转置卷积、膨胀卷积详细介绍以及用法

1、普通卷积操作
2、转置卷积
- 2.1 Pytorch转置卷积实验
3、膨胀卷积

1、普通卷积操作

首先回顾下普通卷积，下图以stride=1，padding=0，kernel_size=3为例，假设输入特征图大小是4x4的（假设输入输出都是单通道），通过卷积后得到的特征图大小为2x2。一般使用卷积的情况中，要么特征图变小（stride > 1），要么保持不变（stride = 1），当然也可以通过四周padding让特征图变大但没有意义

在这里插入图片描述
pytorch中的Tensor通道排列顺序是：[batch, channel, height, width]
卷积（Conv2d）在pytorch中对应的函数是：

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

在这里插入图片描述

import torch.nn as nn
import torch
 
 
im = torch.randn(1, 1, 5, 5)
c = nn.Conv2d(1, 1, kernel_size=2, stride=2, padding=1)
output = c(im)
 
print(im)
print(output)
print(list(c.parameters()))