torch.nn.functional.conv2d

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

對由多個輸入平面組成的輸入影像應用二維卷積。

此運算子支援 TensorFloat32。

有關詳細資訊和輸出形狀，請參閱 Conv2d。

注意

在某些情況下，當在 CUDA 裝置上給定張量並使用 CuDNN 時，此運算子可能會選擇非確定性演算法以提高效能。如果這是不希望的，您可以透過設定 torch.backends.cudnn.deterministic = True 來嘗試使操作具有確定性（可能會犧牲效能）。有關更多資訊，請參閱 可復現性。

注意

此運算子支援複雜資料型別，即 complex32, complex64, complex128。

引數

• input – 輸入張量，形狀為 $(\text{minibatch} , \text{in\_channels} , iH , iW)$

• weight – 過濾器，形狀為 $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kH , kW)$

• bias – 可選的偏置張量，形狀為 $(\text{out\_channels})$。預設值: None

• stride – 卷積核的步長。可以是單個數字或元組 (sH, sW)。預設值: 1

• padding –

  輸入兩側的隱式填充。可以是字串 {'valid', 'same'}，單個數字或元組 (padH, padW)。預設值: 0。 padding='valid' 等同於不填充。 padding='same' 會填充輸入，使得輸出與輸入的形狀相同。但是，此模式不支援步長值除了 1 以外的任何值。

  警告

  對於 padding='same'，如果在任一維度上 weight 長度為偶數且 dilation 為奇數，內部可能需要完整的 pad() 操作。這會降低效能。

• dilation – 卷積核元素之間的間距。可以是單個數字或元組 (dH, dW)。預設值: 1

• groups – 將輸入分成組，$\text{in\_channels}$ 和 $\text{out\_channels}$ 都應能被組數整除。預設值: 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)