الالتفاف وتخطيط الأبعاد المكانية

import torch
from torch import nn
x = torch.tensor([[[[1.0,2.0,3.0],[4.0,5.0,6.0],[7.0,8.0,9.0]]]],dtype=torch.float64,device="cpu")
layer = nn.Conv2d(1,1,kernel_size=2,bias=False,dtype=torch.float64,device="cpu")
with torch.no_grad():
    layer.weight.copy_(torch.tensor([[[[1.0,0.0],[0.0,-1.0]]]],dtype=torch.float64,device="cpu"))
y = layer(x)
pooled = nn.MaxPool2d(kernel_size=2)(y)
print("convolution shape", tuple(y.shape))
print("response", y[0,0].tolist())
print("pool shape", tuple(pooled.shape), "value", pooled.item())

convolution shape (1, 1, 2, 2)
response [[-4.0, -4.0], [-4.0, -4.0]]
pool shape (1, 1, 1, 1) value -4.0

تتبع نواة Conv2d الثابتة فهرسة الارتباط المتقاطع ولا تعكس. مخارج الالتفاف والتجميع على CPU توقعات مشتقة لا نوى منفذة.

image = [[1.0,2.0,3.0],[4.0,5.0,6.0],[7.0,8.0,9.0]]
kernel = [[1.0,0.0],[0.0,-1.0]]
response = [[sum(image[i+a][j+b]*kernel[a][b] for a in range(2) for b in range(2))
             for j in range(2)] for i in range(2)]
def size(n,k,p=0,s=1,d=1):
    return (n+2*p-d*(k-1)-1)//s+1
print("response", response)
print("padded stride size", size(7,3,p=1,s=2))
print("kernel weights", 1*1*2*2)

response [[-4.0, -4.0], [-4.0, -4.0]]
padded stride size 4
kernel weights 4

تفحص الحلقات المنفذة حساب النافذة المحدودة وصيغة قياسية واحدة لحجم الخرج. ولا تتحقق من تخطيط Conv2d أو اختيار تنفيذه أو مشتقاته أو دلالات التجميع.