这个函数和我们之前提到的【Pytorch】6.torch.nn.functional.conv2d的使用的作用相似，都是完成CV领域的卷积操作，这里就不在过多赘述

torch.nn.conv2d的使用

打开pytorch的官方文档，我们可以看到


torch.nn.conv2d包含了若干参数

• in_channels：代表输入的通道数
• out_channels：代表输出的通道数
• kernel_size：代表卷积核的大小，既可以是int类型，也可以是tuple元组类型，比如(2,5)代表卷积核大小为两行五列
• stride：代表卷积每次的步长
• padding：代表输入层的边缘填充
• padding_mode：代表边缘填充的规则，默认为用0填充
• dilation：代表膨胀，默认为1
  我们也可以通过官方的这个链接link来对每个参数进行了解

具体的使用方法为

# With square kernels and equal stride
m = nn.Conv2d(16, 33, 3, stride=2)
# non-square kernels and unequal stride and with padding
m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))
# non-square kernels and unequal stride and with padding and dilation
m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2), dilation=(3, 1))
input = torch.randn(20, 16, 50, 100)
output = m(input)

具体用例

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriterdataset = torchvision.datasets.CIFAR10(root='./dataset', transform=torchvision.transforms.ToTensor(), train=False,download=False)dataLoader = DataLoader(dataset, batch_size=64, shuffle=True)class Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)def forward(self, x):x = self.conv1(x)return xnet = Net()writer = SummaryWriter(log_dir='./logs')i = 0
for data in dataLoader:img, target = dataoutput = net.forward(img)# print(output.shape)writer.add_images('input', img, i)# -1是一个占位符，让Pytorch自动计算维度大小output = torch.reshape(output,(-1, 3, 30, 30))# 无法直接传入6通道，只能3通道writer.add_images("output", output, i)i = i + 1writer.close()

需要注意一下几点

• 再使用TensorBoard进行可视化时，需要使用writer.add_images而不是writer.add_image要加s
• 再使用writer进行可视化时，tensor格式只支持3通道，如果是其他通道数，需要使用torch.reshape来进行通道数转换

因为output上是64个图片为一组，通道数为6，所以转化为通道数为3的话，有64*2的图片

下面附上输入输出通道数与像素数的计算方法