如何用Pytorch详细实现Sobel算子的卷积操作？
- 内容介绍
- 文章标签
- 相关推荐
本文共计577个文字，预计阅读时间需要3分钟。
卷积操作在PyTorch中有两种实现方式，一种是torch.nn.Conv2d，另一种是torch.nn.functional.conv2d。这两种方法本质上都是执行卷积操作，对输入的要求也相同，首先都需要一个torch.autograd.Variable对象。
卷积在pytorch中有两种实现，一种是torch.nn.Conv2d()，一种是torch.nn.functional.conv2d()，这两种方式本质都是执行卷积操作，对输入的要求也是一样的，首先需要输入的是一个torch.autograd.Variable()的类型，大小是（batch，channel， H，W)，其中batch表示输入的一批数据的数目，channel表示输入的通道数。
一般一张彩色的图片是3，灰度图片是1，而卷积网络过程中的通道数比较大，会出现几十到几百的通道数。H和W表示输入图片的高度和宽度，比如一个batch是32张图片，每张图片是3通道，高和宽分别是50和100，那么输入的大小就是（32，3，50，100）。
本文共计577个文字，预计阅读时间需要3分钟。
卷积操作在PyTorch中有两种实现方式，一种是torch.nn.Conv2d，另一种是torch.nn.functional.conv2d。这两种方法本质上都是执行卷积操作，对输入的要求也相同，首先都需要一个torch.autograd.Variable对象。
卷积在pytorch中有两种实现，一种是torch.nn.Conv2d()，一种是torch.nn.functional.conv2d()，这两种方式本质都是执行卷积操作，对输入的要求也是一样的，首先需要输入的是一个torch.autograd.Variable()的类型，大小是（batch，channel， H，W)，其中batch表示输入的一批数据的数目，channel表示输入的通道数。
一般一张彩色的图片是3，灰度图片是1，而卷积网络过程中的通道数比较大，会出现几十到几百的通道数。H和W表示输入图片的高度和宽度，比如一个batch是32张图片，每张图片是3通道，高和宽分别是50和100，那么输入的大小就是（32，3，50，100）。