torch.nn.functional.conv2d

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor

Применяет 2D свёртку к входному изображению, состоящему из нескольких входных плоскостей.

Этот оператор поддерживает TensorFloat32.

См. Conv2d для получения подробностей и формы вывода.

Примечание

В некоторых ситуациях, когда заданы тензоры на устройстве CUDA и используется CuDNN, этот оператор может выбрать недетерминированный алгоритм для повышения производительности. Если это нежелательно, вы можете попытаться сделать операцию детерминированной (возможно, с потерей производительности), установив torch.backends.cudnn.deterministic = True. См. Воспроизводимость для получения дополнительной информации.

Примечание

Этот оператор поддерживает комплексные типы данных, т.е. complex32, complex64, complex128.

Параметры:

• input – входной тензор формы $(\text{minibatch} , \text{in\_channels} , iH , iW)$
• weight – фильтры формы $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kH , kW)$
• bias – необязательный тензор смещения формы $(\text{out\_channels})$. По умолчанию: None
• stride – шаг свёрточного ядра. Может быть единственным числом или кортежем (sH, sW). По умолчанию: 1

• padding –

  неявные дополнения с обеих сторон входных данных. Может быть строкой {‘valid’, ‘same’}, одиночным числом или кортежем (padH, padW). По умолчанию: 0 padding='valid' равносильно отсутствию дополнений. padding='same' дополняет входные данные так, чтобы вывод имел такую же форму, что и вход. Однако этот режим не поддерживает значения шага, отличные от 1.

  Предупреждение

  Для padding='same', если weight имеет чётную длину и dilation нечётное значение в любом измерении, может потребоваться полная операция pad(). Понижение производительности.

• dilation – расстояние между элементами ядра. Может быть единственным числом или кортежем (dH, dW). По умолчанию: 1
• groups – разделить вход на группы, $\text{in\_channels}$ должно быть делимо на количество групп. По умолчанию: 1

Примеры:

>>> # With square kernels and equal stride
>>> filters = torch.randn(8, 4, 3, 3)
>>> inputs = torch.randn(1, 4, 5, 5)
>>> F.conv2d(inputs, filters, padding=1)