Conv2D

class paddle.nn. Conv2D ( in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, padding_mode=’zeros’, weight_attr=None, bias_attr=None, data_format=’NCHW’ ) [源代码]

二维卷积层

该OP是二维卷积层（convolution2d layer），根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）一组参数计算输出特征层大小。输入和输出是NCHW或NHWC格式，其中N是批尺寸，C是通道数，H是特征高度，W是特征宽度。卷积核是MCHW格式，M是输出图像通道数，C是输入图像通道数，H是卷积核高度，W是卷积核宽度。如果组数(groups)大于1，C等于输入图像通道数除以组数的结果。详情请参考UFLDL’s : 卷积 。如果bias_attr不为False，卷积计算会添加偏置项。

对每个输入X，有等式：

Conv2D - 图1

其中：

  • Conv2D - 图2

    ：输入值，NCHW或NHWC格式的4-D Tensor

  • Conv2D - 图3

    ：卷积核值，MCHW格式的4-D Tensor

  • Conv2D - 图4

    ：卷积操作

  • Conv2D - 图5

    ：偏置值，2-D Tensor，形状为 [M,1]

  • Conv2D - 图6

    ：激活函数

  • Conv2D - 图7

    ：输出值，NCHW或NHWC格式的4-D Tensor， 和 X 的形状可能不同

参数：

  • in_channels (int) - 输入图像的通道数。

  • out_channels (int) - 由卷积操作产生的输出的通道数。

  • kernel_size (int|list|tuple) - 卷积核大小。可以为单个整数或包含两个整数的元组或列表，分别表示卷积核的高和宽。如果为单个整数，表示卷积核的高和宽都等于该整数。

  • stride (int|list|tuple，可选) - 步长大小。可以为单个整数或包含两个整数的元组或列表，分别表示卷积沿着高和宽的步长。如果为单个整数，表示沿着高和宽的步长都等于该整数。默认值：1。

  • padding (int|list|tuple|str，可选) - 填充大小。如果它是一个字符串，可以是”VALID”或者”SAME”，表示填充算法，计算细节可参考上述 padding = “SAME”或 padding = “VALID” 时的计算公式。如果它是一个元组或列表，它可以有3种格式：(1)包含4个二元组：当 data_format 为”NCHW”时为 [[0,0], [0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]，当 data_format 为”NHWC”时为[[0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]；(2)包含4个整数值：[padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]；(3)包含2个整数值：[padding_height, padding_width]，此时padding_height_top = padding_height_bottom = padding_height， padding_width_left = padding_width_right = padding_width。若为一个整数，padding_height = padding_width = padding。默认值：0。

  • dilation (int|list|tuple，可选) - 空洞大小。可以为单个整数或包含两个整数的元组或列表，分别表示卷积核中的元素沿着高和宽的空洞。如果为单个整数，表示高和宽的空洞都等于该整数。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）论文中的成组卷积：当group=n，输入和卷积核分别根据通道数量平均分为n组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第n组卷积核和第n组输入进行卷积计算。默认值：1。

  • padding_mode (str, 可选): 填充模式。 包括 'zeros', 'reflect', 'replicate' 或者 'circular'. 默认值: 'zeros' .

  • weight_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。若 bias_attr 为bool类型，只支持为False，表示没有偏置参数。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 。

  • data_format (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是”NCHW”和”NHWC”。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值：”NCHW”。

属性

weight

本层的可学习参数，类型为 Parameter

bias

本层的可学习偏置，类型为 Parameter

形状:

  • 输入: (N,Cin,Hin,Win)(N,Cin,Hin,Win)

  • 输出: (N,Cout,Hout,Wout)(N,Cout,Hout,Wout)

其中:

Hout=(Hin+2∗paddings[0]−(dilations[0]∗(kernel_size[0]−1)+1))strides[0]+1Wout=(Win+2∗paddings[1]−(dilations[1]∗(kernel_size[1]−1)+1))strides[1]+1Hout=(Hin+2∗paddings[0]−(dilations[0]∗(kernel_size[0]−1)+1))strides[0]+1Wout=(Win+2∗paddings[1]−(dilations[1]∗(kernel_size[1]−1)+1))strides[1]+1

如果 padding = “SAME”:

Hout=(Hin+stride[0]−1)stride[0]Hout=(Hin+stride[0]−1)stride[0]

Wout=(Win+stride[1]−1)stride[1]Wout=(Win+stride[1]−1)stride[1]

如果 padding = “VALID”:

Hout=(Hin−(dilation[0]∗(kernel_size[0]−1)+1))stride[0]+1Wout=(Win−(dilation[1]∗(kernel_size[1]−1)+1))stride[1]+1Hout=(Hin−(dilation[0]∗(kernel_size[0]−1)+1))stride[0]+1Wout=(Win−(dilation[1]∗(kernel_size[1]−1)+1))stride[1]+1

抛出异常：

  • ValueError - 如果 data_format 既不是”NCHW”也不是”NHWC”。

  • ValueError - 如果 input 的通道数未被明确定义。

  • ValueError - 如果 padding 是字符串，既不是”SAME”也不是”VALID”。

  • ValueError - 如果 padding 含有4个二元组，与批尺寸对应维度的值不为0或者与通道对应维度的值不为0。

  • ShapeError - 如果输入不是4-D Tensor。

  • ShapeError - 如果输入和卷积核的维度大小不相同。

  • ShapeError - 如果输入的维度大小与 stride 之差不是2。

  • ShapeError - 如果输出的通道数不能被 groups 整除。

代码示例：

  1. import paddle
  2. import paddle.nn as nn
  4. x_var = paddle.uniform((2, 4, 8, 8), dtype='float32', min=-1., max=1.)
  6. conv = nn.Conv2D(4, 6, (3, 3))
  7. y_var = conv(x_var)
  8. y_np = y_var.numpy()
  9. print(y_np.shape)
  10. # (2, 6, 6, 6)

使用本API的教程文档