当前位置：首页 > wzjs >正文

建设银行招聘网站企业网站模板免费下载

wzjs 2025/7/29 1:59:06

建设银行招聘网站,企业网站模板免费下载,wordpress主题--ux,wordpress 多网址文章目录实验环境0.卷积定义1.利用张量操作实现卷积1.1 unfold函数1.2 张量分片 2.实现卷积操作2.1 编写卷积函数2.2 对编写的卷积函数举例分析2.3 验证编写卷积函数的正确性附：系列文章实验环境 python3.6 pytorch1.8.0 import torch print(torch.__version_…

文章目录

实验环境
0.卷积定义
1.利用张量操作实现卷积
- 1.1 unfold函数
- 1.2 张量分片
2.实现卷积操作
- 2.1 编写卷积函数
- 2.2 对编写的卷积函数举例分析
- 2.3 验证编写卷积函数的正确性
附：系列文章

实验环境

python3.6 + pytorch1.8.0

import torch
print(torch.__version__)

1.8.0

0.卷积定义

卷积操作是指两个函数f和g之间的一种数学运算，它在信号处理、图像处理、机器学习等领域中广泛应用。在离散情况下，卷积操作可以表示为：

$\sum_{m=-\infty}^{\infty}f[m]g[n-m]$

其中， $f$ 和 $g$ 是离散函数， $*$ 表示卷积操作， $n$ 是离散的变量。卷积操作可以看作是将函数 $g$ 沿着 $n$ 轴翻转，然后平移，每次和函数 $f$ 相乘并求和，最后得到一个新的函数。这种操作可以实现信号的滤波、特征提取等功能，是数字信号处理中非常重要的基础操作。

1.利用张量操作实现卷积

1.1 unfold函数

PyTorch的unfold函数用于对张量进行展开操作。torch.unfold()可以理解为将一个高维的张量展开成一个二维矩阵的操作。即将原来的张量沿着指定的维度展开成一个二维矩阵，其中第一维对应原来张量的维度，第二维对应展开的位置。

函数原型如下：

torch.unfold(input, dimension, size, step)

参数说明：

input (Tensor) – 要展开的张量
dimension (int) – 沿着哪个维度展开
size (int) – 展开窗口的大小
step (int) – 两个相邻窗口之间的步长

1.2 张量分片

import torch

a = torch.arange(16).view(4, 4)
a

tensor([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11],[12, 13, 14, 15]])

b = a.unfold(0, 3, 1)
b

tensor([[[ 0,  4,  8],[ 1,  5,  9],[ 2,  6, 10],[ 3,  7, 11]],[[ 4,  8, 12],[ 5,  9, 13],[ 6, 10, 14],[ 7, 11, 15]]])

b.shape

torch.Size([2, 4, 3])

c = b.unfold(1, 3, 1)
c

tensor([[[[ 0,  1,  2],[ 4,  5,  6],[ 8,  9, 10]],[[ 1,  2,  3],[ 5,  6,  7],[ 9, 10, 11]]],[[[ 4,  5,  6],[ 8,  9, 10],[12, 13, 14]],[[ 5,  6,  7],[ 9, 10, 11],[13, 14, 15]]]])

c.shape

torch.Size([2, 2, 3, 3])

完整程序

import torch
a = torch.arange(16).view(4, 4)
b = a.unfold(0, 3, 1)
c = b.unfold(1, 3, 1)
c.shape

torch.Size([2, 2, 3, 3])

这段代码定义了三个变量。假设我们将其分别命名为a，b和c，则：

变量a是一个4x4的张量，其中包含了0到15的整数值，它通过torch.arange(16)和.view(4, 4)两个函数调用来实现。
变量b是通过对变量a进行折叠操作得到的一个张量，具体来说，它是将变量a沿着第0维（即行）展开，并取窗口大小为3，步长为1的子张量所得到的结果。因此，如果我们将张量b打印出来，会得到：

tensor([[[ 0,  1,  2],[ 4,  5,  6],[ 8,  9, 10],[12, 13, 14]],[[ 1,  2,  3],[ 5,  6,  7],[ 9, 10, 11],[13, 14, 15]]])

其中，第一个子张量的值为[[0, 1, 2], [4, 5, 6], [8, 9, 10], [12, 13, 14]]，第二个子张量的值为[[1, 2, 3], [5, 6, 7], [9, 10, 11], [13, 14, 15]]。注意，这个张量的形状为(2, 4, 3)，即它包含2个子张量，每个子张量的形状为(4, 3)。

变量c是对变量b进行类似的操作得到的，但是它是在第1维（即列）上展开并取子张量。具体来说，它是将变量b沿着第1维（即列）展开，并取窗口大小为3，步长为1的子张量所得到的结果。因此，如果我们将张量c打印出来，会得到：

tensor([[[[ 0,  1,  2],[ 4,  5,  6],[ 8,  9, 10]],[[ 1,  2,  3],[ 5,  6,  7],[ 9, 10, 11]]],[[[ 4,  5,  6],[ 8,  9, 10],[12, 13, 14]],[[ 5,  6,  7],[ 9, 10, 11],[13, 14, 15]]]])

其中，第一个子张量的值为[[[0, 1, 2], [4, 5, 6], [8, 9, 10]], [[1, 2, 3], [5, 6, 7], [9, 10, 11]]]，第二个子张量的值为[[[4, 5, 6], [8, 9, 10], [12, 13, 14]], [[5, 6, 7], [9, 10, 11], [13, 14, 15]]]。注意，这个张量的形状为(2, 2, 3, 3)，即它包含2个子张量，每个子张量的形状为(2, 3, 3)。

2.实现卷积操作

2.1 编写卷积函数

完整程序

import torch
def conv2d(x, weight, bias, stride, pad):n, c, h, w = x.shaped, c, k, j = weight.shapex_pad = torch.zeros(n, c, h+2*pad, w+2*pad).to(x.device)x_pad[:, :, pad:-pad, pad:-pad] = xx_pad = x_pad.unfold(2, k, stride)x_pad = x_pad.unfold(3, j, stride)out = torch.einsum('nchwkj,dckj->ndhw', x_pad, weight)out = out + bias.view(1, -1, 1, 1)return out

该函数实现了二维卷积操作。下面对函数进行详细分析：

输入参数：

x: 输入张量，维度为（batch_size，in_channels，input_height，input_width）。
weight: 卷积核张量，维度为（out_channels，in_channels，kernel_height，kernel_width）。
bias: 偏置项张量，维度为（out_channels，）。
stride: 卷积核移动的步长，可以是一个数或是一个长度为 2 的元组，分别表示水平方向和竖直方向的步长。
pad: 输入张量周围要填充的零的数量。

局部填充：

在进行卷积操作之前，需要在输入张量的周围按照给定的 pad 进行填充，以避免卷积核在张量边缘处超出范围的情况发生。
在函数中使用 x_pad 表示经过填充后的输入张量。
具体实现：将输入张量 x 在第 2 和第 3 个维度（height 和 width 维度）上分别拆分成若干个形状为（kernel_height，kernel_width）的张量，每个张量之间的跳跃长度由 stride 决定，然后在第 2 和第 3 个维度上分别进行展开。这样每个展开后的张量就可以看作一个二维卷积核作用在 x 上的局部卷积结果，这些局部结果被按照第 2 和第 3 个维度重新拼接起来，得到新的张量 x_pad。

卷积操作：

在新的张量 x_pad 上使用 einsum 函数对卷积核进行卷积操作。
einsum 的第一个参数表示操作的规则，其中 ndhw 表示最终输出的张量的维度为（batch_size，out_channels，output_height，output_width），nchw 和 dckj 表示两个输入张量 x_pad 和 weight 的维度，其中 c k j 分别表示 input_channels、kernel_height 和 kernel_width。
最终得到的输出张量形状为（batch_size，out_channels，output_height，output_width），并在每个位置上加上偏置项 bias。
torch: PyTorch库
einsum: Einstein summation notation，爱因斯坦求和约定，一种张量求和的简便表示法。
'nchwkj,dckj->ndhw': 爱因斯坦求和符号，左侧的张量为x_pad，右侧的张量为weight。在左侧张量中，n, c, h, w分别表示batch size、通道数、高度、宽度。在右侧张量中，d, c, k, j分别表示输出通道数、输入通道数、卷积核高度、卷积核宽度。这个式子的意义是将x_pad和weight执行卷积操作，并输出结果张量，其形状为(batch_size, output_channels, height, width)。
x_pad: 输入的张量，形状为 (batch_size, input_channels, input_height, input_width)。
weight: 卷积核张量，形状为 (output_channels, input_channels, kernel_height, kernel_width)。

返回结果：

返回卷积操作后得到的输出张量。

2.2 对编写的卷积函数举例分析

# 设置测试数据
x = torch.randn(2, 3, 5, 5, requires_grad=True)
weight = torch.randn(4, 3, 3, 3, requires_grad=True)
bias = torch.randn(4, requires_grad = True)
stride = 2
pad = 2
x, weight, bias

(tensor([[[[-0.4888,  1.0257,  0.0312, -0.9026, -0.9060],[ 0.2071, -0.4962, -0.1658,  1.0919,  0.3785],[-0.4654,  1.5442,  0.6005,  0.3594, -2.6207],[ 0.5830,  0.0533,  0.5719,  1.5413,  0.5949],[-0.9152, -0.2114, -0.4888, -0.0065, -0.9767]],[[ 0.4706, -0.1108, -0.1563, -1.7946, -0.8533],[-0.2119,  0.3165, -2.2668, -0.8956,  1.0617],[-0.7809, -0.2120, -0.8592, -0.5057,  0.7954],[-2.8820, -0.6888,  0.4450, -0.3586, -0.9477],[ 0.6244,  0.4303,  1.4739,  0.2740,  1.6605]],[[-0.1501,  0.6234, -1.6086,  0.1693,  0.4932],[ 1.0611, -1.0938,  0.1695,  1.0193,  0.4263],[ 1.4681, -0.1552, -0.0667, -0.7293,  1.0816],[ 0.8972,  1.1683, -1.4757,  0.4421, -0.0355],[-2.1331,  1.4847,  0.1378, -1.6907, -0.1350]]],[[[-1.3853,  1.6396,  0.3436,  0.3841,  0.2355],[-0.2206, -0.5087, -1.6956,  1.3205,  0.7058],[ 0.0993,  0.3533, -0.2086,  0.2969,  0.2627],[ 0.3752,  0.0304,  1.2487,  1.3963, -0.0063],[-1.3758,  0.5088, -1.3849,  1.3050,  0.4150]],[[ 0.2824, -2.8634, -0.1016, -0.1627,  1.7081],[ 0.1406,  0.2220, -0.6005,  0.2997, -0.1846],[ 1.6700,  0.5787,  0.6561, -0.0236,  1.7743],[ 2.1429, -0.2838, -0.0527,  0.3504, -0.3444],[-0.9409, -0.4734, -0.4060, -0.5088, -1.8518]],[[-2.2152,  0.2104, -0.3302,  0.2036, -0.9443],[-0.6576, -0.4455,  0.5117, -2.0058, -1.3985],[-0.5688,  1.2338, -0.1832,  0.1760,  0.4506],[-0.6563,  0.4021, -1.6210,  0.5582, -0.9238],[-1.0506, -0.9638,  0.7453, -0.3535, -0.3536]]]], requires_grad=True),tensor([[[[ 0.3069,  0.2079, -0.2952],[ 1.7681,  1.1056, -1.0555],[ 1.5845,  0.8294,  0.6588]],[[ 0.2574,  0.5007,  0.2912],[-0.0210,  0.6593, -0.9691],[-0.2918,  0.5695, -1.1242]],[[ 0.7327, -0.3453,  0.7041],[-0.2236, -1.7762,  0.0190],[-1.0927, -2.9369,  0.1768]]],[[[-2.3830, -1.4807,  1.8573],[ 1.0097, -0.9640,  1.0361],[-0.5222, -1.0386, -0.4016]],[[ 0.5071,  1.1433, -0.1194],[-0.0133, -0.3878, -0.1853],[ 0.3456, -0.6502,  0.2221]],[[-1.7672, -0.0469, -0.5996],[-0.2080, -1.6209,  0.4120],[ 0.8404, -1.6748, -0.7170]]],[[[ 0.2850,  0.1691, -0.9228],[ 0.7234,  0.5582, -0.4327],[ 0.6563,  0.2941,  1.5549]],[[ 0.2642, -1.9061,  1.6212],[-0.5276, -0.5608,  0.3824],[ 0.4452, -2.5152,  0.4490]],[[-0.1276,  0.7784,  0.7998],[-0.3030, -0.9776,  0.9681],[ 1.0225,  0.8946, -0.8084]]],[[[-0.5087, -0.8345, -1.4763],[-0.4938,  1.1979, -0.1335],[ 0.5010,  0.2865,  0.0728]],[[-0.3177, -0.6937, -1.0327],[ 0.8147, -1.7101, -1.8257],[-0.1593, -1.3855, -0.0885]],[[-0.4687, -1.6307,  1.5791],[-1.3030,  0.2004, -0.7055],[ 0.0674, -0.8772,  0.1586]]]], requires_grad=True),tensor([ 1.5349, -0.5608,  0.5182,  0.3328], requires_grad=True))

n, c, h, w = x.shape
d, c, k, j = weight.shape

n, c, h, w

(2, 3, 5, 5)

d, c, k, j

(4, 3, 3, 3)

# 补零
x_pad = torch.zeros(n, c, h+2*pad, w+2*pad).to(x.device)
x_pad

tensor([[[[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.]],[[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.]],[[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.]]],[[[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.]],[[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.]],[[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.]]]])

x_pad.shape

torch.Size([2, 3, 9, 9])

x_pad[:, :, pad:-pad, pad:-pad] = x
x_pad

tensor([[[[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000, -0.4888,  1.0257,  0.0312, -0.9026, -0.9060,0.0000,  0.0000],[ 0.0000,  0.0000,  0.2071, -0.4962, -0.1658,  1.0919,  0.3785,0.0000,  0.0000],[ 0.0000,  0.0000, -0.4654,  1.5442,  0.6005,  0.3594, -2.6207,0.0000,  0.0000],[ 0.0000,  0.0000,  0.5830,  0.0533,  0.5719,  1.5413,  0.5949,0.0000,  0.0000],[ 0.0000,  0.0000, -0.9152, -0.2114, -0.4888, -0.0065, -0.9767,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000]],[[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.4706, -0.1108, -0.1563, -1.7946, -0.8533,0.0000,  0.0000],[ 0.0000,  0.0000, -0.2119,  0.3165, -2.2668, -0.8956,  1.0617,0.0000,  0.0000],[ 0.0000,  0.0000, -0.7809, -0.2120, -0.8592, -0.5057,  0.7954,0.0000,  0.0000],[ 0.0000,  0.0000, -2.8820, -0.6888,  0.4450, -0.3586, -0.9477,0.0000,  0.0000],[ 0.0000,  0.0000,  0.6244,  0.4303,  1.4739,  0.2740,  1.6605,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000]],[[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000, -0.1501,  0.6234, -1.6086,  0.1693,  0.4932,0.0000,  0.0000],[ 0.0000,  0.0000,  1.0611, -1.0938,  0.1695,  1.0193,  0.4263,0.0000,  0.0000],[ 0.0000,  0.0000,  1.4681, -0.1552, -0.0667, -0.7293,  1.0816,0.0000,  0.0000],[ 0.0000,  0.0000,  0.8972,  1.1683, -1.4757,  0.4421, -0.0355,0.0000,  0.0000],[ 0.0000,  0.0000, -2.1331,  1.4847,  0.1378, -1.6907, -0.1350,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000]]],[[[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000, -1.3853,  1.6396,  0.3436,  0.3841,  0.2355,0.0000,  0.0000],[ 0.0000,  0.0000, -0.2206, -0.5087, -1.6956,  1.3205,  0.7058,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0993,  0.3533, -0.2086,  0.2969,  0.2627,0.0000,  0.0000],[ 0.0000,  0.0000,  0.3752,  0.0304,  1.2487,  1.3963, -0.0063,0.0000,  0.0000],[ 0.0000,  0.0000, -1.3758,  0.5088, -1.3849,  1.3050,  0.4150,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000]],[[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.2824, -2.8634, -0.1016, -0.1627,  1.7081,0.0000,  0.0000],[ 0.0000,  0.0000,  0.1406,  0.2220, -0.6005,  0.2997, -0.1846,0.0000,  0.0000],[ 0.0000,  0.0000,  1.6700,  0.5787,  0.6561, -0.0236,  1.7743,0.0000,  0.0000],[ 0.0000,  0.0000,  2.1429, -0.2838, -0.0527,  0.3504, -0.3444,0.0000,  0.0000],[ 0.0000,  0.0000, -0.9409, -0.4734, -0.4060, -0.5088, -1.8518,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000]],[[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000, -2.2152,  0.2104, -0.3302,  0.2036, -0.9443,0.0000,  0.0000],[ 0.0000,  0.0000, -0.6576, -0.4455,  0.5117, -2.0058, -1.3985,0.0000,  0.0000],[ 0.0000,  0.0000, -0.5688,  1.2338, -0.1832,  0.1760,  0.4506,0.0000,  0.0000],[ 0.0000,  0.0000, -0.6563,  0.4021, -1.6210,  0.5582, -0.9238,0.0000,  0.0000],[ 0.0000,  0.0000, -1.0506, -0.9638,  0.7453, -0.3535, -0.3536,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,0.0000,  0.0000]]]], grad_fn=<CopySlices>)

# 卷积
x_pad = x_pad.unfold(2, k, stride)
x_pad.shape

torch.Size([2, 3, 4, 9, 3])

x_pad = x_pad.unfold(3, j, stride)
x_pad.shape

torch.Size([2, 3, 4, 4, 3, 3])

out = torch.einsum('nchwkj,dckj->ndhw', x_pad, weight)
out.shape

torch.Size([2, 4, 4, 4])

bias.view(1, -1, 1, 1).shape

torch.Size([1, 4, 1, 1])

# 偏置
out = out + bias.view(1, -1, 1, 1)
out

tensor([[[[ 0.6573, -0.3444,  1.5693, -0.1906],[ 2.5483,  5.1142, -2.3528, -3.6162],[ 2.9913, -6.1289,  6.8200,  0.9229],[ 0.4849,  0.1813,  3.2616,  1.5637]],[[-0.1524, -1.2003, -0.3415,  0.0318],[-1.7830,  2.5286, -1.6660,  3.1253],[ 1.3314, -8.2623, -5.0055,  5.7671],[-1.0563,  5.2751, -0.4214,  2.8473]],[[ 0.0908,  2.6704,  1.0336,  0.0481],[ 0.2077,  2.0459,  1.8095, -0.7039],[ 0.9519, -4.5551,  3.7108,  0.7446],[ 0.6689,  3.9448,  2.3968,  0.6958]],[[ 0.2318, -0.3356,  2.4320,  0.0480],[ 0.2101, -1.7177,  6.3956, -0.4108],[ 8.2352, -5.8456, 12.9459, -0.8763],[-2.3292, -1.5263,  2.1349,  0.3653]]],[[[-0.0869,  1.0713,  0.1655,  2.4414],[-1.3623, -3.0759,  0.2430,  2.3259],[-0.9281,  2.1402,  7.1618,  4.1895],[ 0.9273,  1.1176,  0.7792,  0.9265]],[[ 1.6465, -1.7187, -0.7251, -0.8871],[-1.6260, -0.8628, -1.0122,  3.2737],[ 0.5831,  2.1665, -0.5353, -2.0468],[-2.3738, -0.1232, -0.0771, -1.8642]],[[ 0.2819,  6.0978,  2.9618,  0.4676],[ 1.3592,  6.7231,  3.8100,  3.6118],[ 0.9885, -5.7760,  5.4375,  0.5480],[-0.5778,  1.4657, -2.8315,  0.1923]],[[-0.1444,  3.6788,  0.3721,  0.1150],[-1.4057,  0.1613, -2.5436,  1.3156],[-6.1195,  1.8325,  3.1565,  0.8296],[ 1.6766,  6.9403,  1.3986,  0.8758]]]], grad_fn=<AddBackward0>)

2.3 验证编写卷积函数的正确性

import torch.nn.functional as F
x = torch.randn(2, 3, 5, 5, requires_grad=True)
w = torch.randn(4, 3, 3, 3, requires_grad=True)
b = torch.randn(4, requires_grad = True)
stride = 2
pad = 2
torch_out = F.conv2d(x, w, b, stride, pad)
my_out = conv2d(x, w, b, stride, pad)

torch_out == my_out

tensor([[[[ True,  True,  True,  True],[ True, False, False,  True],[ True,  True, False,  True],[ True,  True, False,  True]],[[ True,  True,  True,  True],[ True, False,  True,  True],[False,  True,  True,  True],[ True,  True,  True,  True]],[[ True, False, False,  True],[False, False,  True,  True],[ True, False, False,  True],[ True,  True, False,  True]],[[ True,  True, False,  True],[False, False, False,  True],[ True, False, False, False],[ True,  True,  True,  True]]],[[[ True,  True,  True,  True],[False,  True, False,  True],[ True,  True, False,  True],[ True, False,  True,  True]],[[ True,  True, False,  True],[ True, False, False, False],[ True, False, False, False],[ True, False,  True,  True]],[[ True,  True, False,  True],[False, False, False,  True],[ True, False, False, False],[ True, False,  True,  True]],[[ True, False,  True,  True],[ True, False, False,  True],[False, False, False, False],[ True,  True, False,  True]]]])

torch.allclose(torch_out, my_out, atol=1e-5)

True

torch.allclose是用于检查两个张量之间的数值是否相等的函数。
在使用时，需要将第一个张量作为第一个参数传入（即torch_out），将第二个张量作为第二个参数传入（即my_out），并将允许的绝对误差（atol）作为第三个参数传入（默认值为1e-8）。
函数将返回一个布尔值，表示两个张量是否具有相近的数值。如果返回True，则表示两个张量具有相近的数值，否则表示它们之间存在数值差异。

grad_out = torch.randn(*torch_out.shape)
grad_x = torch.autograd.grad(torch_out, x, grad_out, retain_graph=True)
my_grad_x = torch.autograd.grad(my_out, x, grad_out, retain_graph=True)

torch.allclose(grad_x[0], my_grad_x[0], atol=1e-5)

True

grad_w = torch.autograd.grad(torch_out, w, grad_out, retain_graph=True)
my_grad_w = torch.autograd.grad(my_out, w, grad_out, retain_graph=True)

torch.allclose(grad_w[0], my_grad_w[0], atol=1e-5)

True

grad_b = torch.autograd.grad(torch_out, b, grad_out, retain_graph=True)
my_grad_b = torch.autograd.grad(my_out, b, grad_out, retain_graph=True)

torch.allclose(grad_b[0], my_grad_b[0], atol=1e-5)

True

全是True，表明编写的卷积函数在一定范围内与PyTorch内置的Conv2d函数结果相近，说明了实现的正确性

附：系列文章

序号	文章目录	直达链接
1	PyTorch应用实战一：实现卷积操作	https://want595.blog.csdn.net/article/details/132575530
2	PyTorch应用实战二：实现卷积神经网络进行图像分类	https://want595.blog.csdn.net/article/details/132575702
3	PyTorch应用实战三：构建神经网络	https://want595.blog.csdn.net/article/details/132575758
4	PyTorch应用实战四：基于PyTorch构建复杂应用	https://want595.blog.csdn.net/article/details/132625270
5	PyTorch应用实战五：实现二值化神经网络	https://want595.blog.csdn.net/article/details/132625348
6	PyTorch应用实战六：利用LSTM实现文本情感分类	https://want595.blog.csdn.net/article/details/132625382