F.conv2d pytorch卷积计算-CSDN博客

本文介绍了Pytorch中F.conv2d函数与nn.Conv2d类的区别，重点讨论了空洞卷积（Dilated Convolution）的概念和作用，指出其在增加感受野的同时保持分辨率和减少计算量的优势。空洞卷积常用于解决语义分割任务中的问题，如数据结构丢失和小物体信息重建困难。在Pytorch中，空洞卷积可以应用于正常卷积和池化操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Pytorch里一般小写的都是函数式的接口，相应的大写的是类式接口。函数式的更加low-level一些，如果不需要做特别复杂的配置只需要用类式接口就够了。

可以这样理解：nn.Conved是2D卷积层，而F.conv2d是2D卷积操作。

import torch
from torch.nn import functional as F

"""手动定义卷积核(weight)和偏置"""
w = torch.rand(16, 3, 5, 5)  # 16种3通道的5乘5卷积核
b = torch.rand(16)  # 和卷积核种类数保持一致(不同通道共用一个bias)

"""定义输入样本"""
x = torch.randn(1, 3, 28, 28)  # 1张3通道的28乘28的图像

"""2D卷积得到输出"""
out = F.conv2d(x, w, b, stride=1, padding=1)  # 步长为1,外加1圈padding,即上下左右各补了1圈的0,
print(out.shape)

out = F.conv2d(x, w, b, stride=2, padding=2)  # 步长为2,外加2圈padding
print(out.shape)
out = F.conv2d(x, w)  # 步长为1,默认不padding, 不够的舍弃，所以对于28*28的图片来说，算完之后变成了24*24
print(out.shape)

在DSSINet发现又用到了空洞卷积dilated convolution

mu1 = F.conv2d(img1, window , padding=padd, dilation=dilation, groups=channel)

Dilated/Atrous convolution或者是convolution with holes从字面上就很好理解，是在标准的