torch.nn.functional.conv2d

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

在由多个输入平面组成的一个输入图像上应用 2D 卷积。

此运算符支持 TensorFloat32。

详细信息和输出形状请见 Conv2d 。

注意

在某些情况下，当在 CUDA 设备上给定张量并使用 CuDNN 时，此运算符可能会选择非确定性算法以提高性能。如果这不可取，您可以尝试通过设置 torch.backends.cudnn.deterministic = True 来使操作确定性（可能以性能成本为代价）。有关更多信息，请参阅可重现性。

注意

该操作支持复杂数据类型，即 complex32, complex64, complex128 。

参数:

• input – 输入张量，形状为 $(\text{minibatch} , \text{in\_channels} , iH , iW)$

• 重量 - 形状为 $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kH , kW)$ 的过滤器

• 偏置 - 可选的偏置张量，形状为 $(\text{out\_channels})$ 。默认： None

• 步长 – 卷积核的步长。可以是单个数字或元组（sH, sW）。默认：1

• 填充 –

  输入两侧的隐式填充。可以是字符串 {‘valid’，‘same’}，单个数字或一个元组（padH，padW）。默认：0 padding='valid' 与无填充相同。 padding='same' 填充输入，使输出与输入具有相同的形状。然而，此模式不支持除 1 以外的任何步长值。

  警告

  对于 padding='same' ，如果 weight 是偶数长度且 dilation 在任何维度上是奇数，则可能需要内部执行完整的 pad() 操作。降低性能。

• 扩展率 - 卷积核元素之间的间距。可以是单个数字或一个元组（dH, dW）。默认：1

• 分组 - 将输入分成组， $\text{in\_channels}$ 和 $\text{out\_channels}$ 都应能被组数整除。默认：1

示例：

>>> # 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)