conv2d

paddle.nn.functional. conv2d ( x, weight, bias=None, stride=1, padding=0, dilation=1, groups=1, data_format=’NCHW’, name=None ) [源代码]

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。如果指定了激活函数类型，相应的激活函数会作用在最终结果上。

对每个输入X，有等式：

其中：

• 

  ：输入值，NCHW或NHWC格式的4-D Tensor

• 

  ：卷积核值，MCHW格式的4-D Tensor

• 

  ：卷积操作

• 

  ：偏置值，2-D Tensor，形状为 [M,1]

• 

  ：激活函数

• 

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

示例

• 输入：

  输入形状：

  

  卷积核形状：

  

• 输出：

  输出形状：

  

其中

如果 padding = “SAME”:

如果 padding = “VALID”:

参数：

• x (Tensor) - 输入是形状为

  

  或

  

  的4-D Tensor，N是批尺寸，C是通道数，H是特征高度，W是特征宽度，数据类型为float16, float32或float64。

• weight (Tensor)) - 形状为

  

  的卷积核。 M是输出通道数， g是分组的个数，kH是卷积核的高度，kW是卷积核的宽度。

• bias (int|list|tuple) - 偏置项，形状为：

  

  。

• stride (int|list|tuple，可选) - 步长大小。卷积核和输入进行卷积计算时滑动的步长。如果它是一个列表或元组，则必须包含两个整型数：（stride_height,stride_width）。若为一个整数，stride_height = stride_width = stride。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。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果空洞大小为列表或元组，则必须包含两个整型数：（dilation_height,dilation_width）。若为一个整数，dilation_height = dilation_width = dilation。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。

• 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”。

• name (str，可选) – 具体用法请参见 cn_api_guide_Name ，一般无需设置，默认值：None。

返回：4-D Tensor，数据类型与 x 一致。返回卷积的结果。

代码示例：

import paddle
import paddle.nn.functional as F
x_var = paddle.randn((2, 3, 8, 8), dtype='float32')
w_var = paddle.randn((6, 3, 3, 3), dtype='float32')
y_var = F.conv2d(x_var, w_var)
y_np = y_var.numpy()
print(y_np.shape)
# (2, 6, 6, 6)