conv2d

    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 : 。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：

    • conv2d - 图1

      ：输入值，NCHW或NHWC格式的4-D Tensor

    • ：卷积核值，MCHW格式的4-D Tensor

    • conv2d - 图2

      ：卷积操作

    • ：偏置值，2-D Tensor，形状为 [M,1]

    • conv2d - 图3

    示例

    • 输入：

      输入形状：

      卷积核形状：

      conv2d - 图4

    • 输出：

      输出形状： （N,Cout,Hout,Wout）（N,Cout,Hout,Wout）

    其中

    HoutWout\=(Hin+padding_height_top+padding_height_bottom−(dilation[0]∗(Hf−1)+1))stride[0]+1\=(Win+padding_width_left+padding_width_right−(dilation[1]∗(Wf−1)+1))stride[1]+1Hout\=(Hin+padding_height_top+padding_height_bottom−(dilation[0]∗(Hf−1)+1))stride[0]+1Wout\=(Win+padding_width_left+padding_width_right−(dilation[1]∗(Wf−1)+1))stride[1]+1

    如果 = “SAME”:

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

    如果 padding = “VALID”:

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

    参数：

    • x (Tensor) - 输入是形状为 [N,C,H,W][N,C,H,W] 或 [N,H,W,C][N,H,W,C] 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 [M,C/g,kH,kW][M,C/g,kH,kW] 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： [M,][M,] 。

    • 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 = “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。

    代码示例：