Conv2D¶
- class paddle.fluid.dygraph. Conv2D ( num_channels, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, dtype='float32' ) [源代码] ¶
该接口用于构建 Conv2D
类的一个可调用对象,具体用法参照 代码示例
。其将在神经网络中构建一个二维卷积层(Convolution2D Layer),其根据输入、滤波器参数(num_filters、filter_size)、步长(stride)、填充(padding)、膨胀系数(dilation)、组数(groups)参数来计算得到输出特征图。输入和输出是 NCHW
格式,N是批数据大小,C是特征图个数,H是特征图高度,W是特征图宽度。滤波器的维度是 [M, C, H, W] ,M是输出特征图个数,C是输入特征图个数,H是滤波器高度,W是滤波器宽度。如果组数大于1,C等于输入特征图个数除以组数的结果。如果提供了偏移属性和激活函数类型,卷积的结果会和偏移相加,激活函数会作用在最终结果上。详情请参考:卷积 。
对每个输入 X
,有等式:
- 其中:
-
\(X\):输入特征图,
NCHW
格式的Tensor
\(W\):滤波器,维度为 [M, C, H, W] 的
Tensor
\(*\):卷积操作
\(b\):偏移值,2-D
Tensor
,维度为[M,1]
\(\sigma\):激活函数
\(Out\):输出值,
Out
和X
的维度可能不同
输出维度计算示例
输入:
输入维度:\((N,C_{in},H_{in},W_{in})\)
滤波器维度:\((C_{out},C_{in},H_{f},W_{f})\)
输出:
输出维度:\((N,C_{out},H_{out},W_{out})\)
其中
参数¶
num_channels (int) - 输入图像的通道数。
num_filters (int) - 滤波器的个数,和输出特征图个数相同。
filter_size (int|tuple) - 滤波器大小。如果
filter_size
是一个元组,则必须包含两个整型数,分别表示滤波器高度和宽度。否则,表示滤波器高度和宽度均为filter_size
。stride (int|tuple,可选) - 步长大小。如果
stride
为元组,则必须包含两个整型数,分别表示垂直和水平滑动步长。否则,表示垂直和水平滑动步长均为stride
。默认值:1。padding (int|tuple,可选) - 填充大小。如果
padding
为元组,则必须包含两个整型数,分别表示竖直和水平边界填充大小。否则,表示竖直和水平边界填充大小均为padding
。默认值:0。dilation (int|tuple,可选) - 膨胀系数大小。如果
dialation
为元组,则必须包含两个整型数,分别表示垂直和水平膨胀系数。否则,表示垂直和水平膨胀系数均为dialation
。默认值:1。groups (int,可选) - 二维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络(CNN)论文中的分组卷积:当group=2,滤波器的前一半仅和输入特征图的前一半连接。滤波器的后一半仅和输入特征图的后一半连接。默认值:1。
param_attr (ParamAttr,可选) - 指定权重参数属性的对象。默认值为None,表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。
bias_attr (ParamAttr|bool,可选) - 指定偏置参数属性的对象。默认值为None,表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。
use_cudnn (bool,可选) - 是否用cudnn核,只有已安装cudnn库时才有效。默认值:True。
act (str,可选) - 应用于输出上的激活函数,如tanh、softmax、sigmoid,relu等,支持列表请参考 激活函数,默认值:None。
dtype (str,可选) - 数据类型,可以为"float32"或"float64"。默认值:"float32"。
返回¶
无
抛出异常¶
ValueError
- 如果use_cudnn
不是bool值
代码示例¶
from paddle.fluid.dygraph.base import to_variable
import paddle.fluid as fluid
from paddle.fluid.dygraph import Conv2D
import numpy as np
data = np.random.uniform(-1, 1, [10, 3, 32, 32]).astype('float32')
with fluid.dygraph.guard():
conv2d = Conv2D(3, 2, 3)
data = to_variable(data)
conv = conv2d(data)