深度学习搬砖

'''卷积操作是如何进行求积，求和的'''
import torch 
from torch import nn
conv1=nn.conv2d(2,3,3,1,0,bias=False)
# Conv2d(2, 3, kernel_size=(3, 3), stride=(1, 1), bias=False)
nn.init.constant_(c.weight,1)

conv1.weight
'''
卷积核权重 [3,2,3,3],3组filters，每组2channels,3x3大小
Parameter containing:
tensor([[[[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]],

         [[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]]],


        [[[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]],

         [[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]]],


        [[[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]],

         [[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]]]], requires_grad=True)
'''

#数据
data=torch.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.]],

         [[1., 1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1., 1.]]]])
#torch.Size([1, 2, 6, 6])

conv1(data)
'''
输出[3,4,4]
tensor([[[[9., 9., 9., 9.],
          [9., 9., 9., 9.],
          [9., 9., 9., 9.],
          [9., 9., 9., 9.]],

         [[9., 9., 9., 9.],
          [9., 9., 9., 9.],
          [9., 9., 9., 9.],
          [9., 9., 9., 9.]],

         [[9., 9., 9., 9.],
          [9., 9., 9., 9.],
          [9., 9., 9., 9.],
          [9., 9., 9., 9.]]]], grad_fn=)
'''

卷积结果相等，说明卷积的操作方式为，参数为input_channes=2,output_channels=3，3组卷积，每组2个卷积核，对拥有2个channel的data分别计算(卷积核与各自对应channel相乘，再求和s)，最后两组结果再求和，即s1=s+s