福州企业网站维护价格低链接网
在 PyTorch 中，卷积层主要由 torch.nn.Conv1d、torch.nn.Conv2d 和 torch.nn.Conv3d 实现，分别对应一维、二维和三维卷积操作。以下是详细说明：
1. 二维卷积 (Conv2d) - 最常用
import torch.nn as nn# 基本参数
conv = nn.Conv2d(in_channels=3, # 输入通道数 (如RGB图像为3)out_channels=16, # 输出通道数/卷积核数量kernel_size=3, # 卷积核大小 (可以是int或tuple, 如(3,3))stride=1, # 步长 (默认1)padding=1, # 边界填充 (默认0)dilation=1, # 空洞卷积参数 (默认1)groups=1, # 分组卷积参数 (默认1)bias=True # 是否使用偏置 (默认True)
)计算输出尺寸：
比如：高度
2. 使用示例
import torch# 输入张量 (batch_size=4, 通道=3, 高=32, 宽=32)
x = torch.randn(4, 3, 32, 32)# 卷积层
conv = nn.Conv2d(3, 16, kernel_size=3, padding=1)
output = conv(x)
print(output.shape) # torch.Size([4, 16, 32, 32])3. 特殊卷积类型
(1) 空洞卷积 (Dilated Convolution)
nn.Conv2d(3, 16, kernel_size=3, dilation=2) # 扩大感受野(2) 分组卷积 (Grouped Convolution)
nn.Conv2d(16, 32, kernel_size=3, groups=4) # 将输入/输出通道分为4组(3) 深度可分离卷积 (Depthwise Separable)
# 等价于 groups=in_channels
depthwise = nn.Conv2d(16, 16, kernel_size=3, groups=16)
pointwise = nn.Conv2d(16, 32, kernel_size=1) # 1x1卷积4. 一维和三维卷积
Conv1d (时序数据/文本)
conv1d = nn.Conv1d(in_channels=256, out_channels=100, kernel_size=3)
# 输入形状: (batch, channels, sequence_length)Conv3d (视频/体积数据)
conv3d = nn.Conv3d(1, 32, kernel_size=(3,3,3))
# 输入形状: (batch, channels, depth, height, width)5. 转置卷积 (反卷积)
nn.ConvTranspose2d(16, 8, kernel_size=2, stride=2) # 常用于上采样6. 初始化权重
# 常用初始化方法
nn.init.kaiming_normal_(conv.weight, mode='fan_out')
nn.init.constant_(conv.bias, 0.1)7. 可视化卷积核
import matplotlib.pyplot as pltweights = conv.weight.detach().cpu()
plt.figure(figsize=(10,5))
for i in range(16):plt.subplot(4,4,i+1)plt.imshow(weights[i,0], cmap='gray')
plt.show()8. 总结：
-
卷积核参数共享，大大减少参数量
-
padding='same'可保持输入输出尺寸相同 (PyTorch 1.9+) -
通常配合
BatchNorm和ReLU使用 -
使用
print(conv)可查看层结构
实际应用中，卷积层常与池化层交替使用构建CNN架构，如：
self.conv_block = nn.Sequential(nn.Conv2d(3, 32, 3, padding=1),nn.BatchNorm2d(32),nn.ReLU(),nn.MaxPool2d(2)
)