pytorch卷积

卷积核经过的那部分区域，对应位置的数字进行相乘，最后再相加

out_channel:卷积核的个数

out_channel=1时，会有一个卷积核，输出一个矩阵

out_channel=2时，会有两个卷积核，输出两个矩阵

stride代表卷积核每次移动n个格子

padding代表在原矩阵外面填充一圈，一般用0补全

对于最初输入图片样本的通道数 in_channels 取决于图片的类型，如果是彩色的，即RGB类型，这时候通道数固定为3，如果是灰色的，通道数为1

代码如下：

import torch
import torchvision
from torch.nn import Conv2d
from torch.utils.data import DataLoader

dataset=torchvision.datasets.CIFAR10("../data",train=False,transform=torchvision.transforms.ToTensor(),
                                     download=True)
dataloader=DataLoader(dataset,batch_size=64)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.conv1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)

    def forward(self,x):
        self.conv1(x)
        return x


tudui=Tudui()
print(tudui)

for data in dataloader:
    imgs,targets=data
    output=tudui(imgs)
    print(imgs.shape)
    #输出原图的维度[64,3,32,32]分别代表batch-size=64，in_channels=3，32x32的图片
    print(output.shape)
    #卷积之后的维度[64,6,30,30]分别代表batch-size=64，out_channels=6，30x30的图片

输出结果：