学习pytorch9 神经网络-卷积层

神经网络-卷积层

官网

https://pytorch.org/docs/stable/nn.html#convolution-layers

图像识别常用conv2d 二维卷积 nn.Conv2d
https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d

卷积数据公式


参数说明

Parameters:

  • in_channels (int) -- Number of channels in the input image 输入通道

  • out_channels (int) -- Number of channels produced by the convolution 输出通道

  • kernel_size (int or tuple) -- Size of the convolving kernel 卷积核大小

  • stride (int or tuple, optional) -- Stride of the convolution. Default: 1 每次卷积走多少步,横向纵向的步径大小

  • padding (int, tuple or str, optional) -- Padding added to all four sides of the input. Default: 0 是否在卷积过程中对输入图像的边缘进行填充

  • padding_mode (str, optional) -- 'zeros', 'reflect', 'replicate' or 'circular'. Default: 'zeros' 填充数据的模式是什么,默认为zeros,填充的都是0

  • dilation (int or tuple, optional) -- Spacing between kernel elements. Default: 1 卷积核中间的距离? 一般不改 不常用

  • groups (int, optional) -- Number of blocked connections from input channels to output channels. Default: 1 一般不改 不常用

  • bias (bool, optional) -- If True, adds a learnable bias to the output. Default: True 添加偏置值,默认为True添加偏置值

卷积运算演示

https://github.com/vdumoulin/conv_arithmetic/blob/master/README.md

绿色方格:表示输出图像

蓝色方格:表示输入图像

蓝色方格中的深色阴影部分:表示kernel 卷积核

白色虚线:表示padding填充

动画中深色阴影上下左右整体移动的方格数,表示stride的大小

输入输出channel

两个卷积核做两次卷积,叠加输出一起是out_channel=2

代码

注意点:

  1. super()括号里面没有内容,自动填充的self应该去掉
py 复制代码
super().__init__() 

code

py 复制代码
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

test_set = torchvision.datasets.CIFAR10(root='./dataset', train=False, transform=torchvision.transforms.ToTensor(), download=True)

dataloader = DataLoader(test_set, batch_size=64, shuffle=False)

class NnConv2d(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)

    def forward(self, x):
        x = self.conv1(x)
        return x

nnconvd = NnConv2d()
writer = SummaryWriter('./logs')
step = 0
for data in dataloader:
    imgs, targets = data
    output = nnconvd(imgs)
    print(imgs.shape)
    print(output.shape)
    writer.add_images("input", imgs)
    output = output.reshape([-1, 3, 30, 30])
    writer.add_images("output", output)
    step += 1

执行结果

sh 复制代码
......
torch.Size([64, 6, 30, 30])
torch.Size([64, 3, 32, 32])
torch.Size([64, 6, 30, 30])
torch.Size([64, 3, 32, 32])
torch.Size([64, 6, 30, 30])
torch.Size([64, 3, 32, 32])
torch.Size([64, 6, 30, 30])
torch.Size([64, 3, 32, 32])
torch.Size([64, 6, 30, 30])
torch.Size([64, 3, 32, 32])
torch.Size([64, 6, 30, 30])
torch.Size([16, 3, 32, 32])
torch.Size([16, 6, 30, 30])  # 最后一个batch16是因为drop_last默认为False,最后没除尽的也要保留,参与训练
相关推荐
张较瘦_10 分钟前
[论文阅读] 人工智能 + 软件工程 | 需求获取访谈中LLM生成跟进问题研究:来龙去脉与创新突破
论文阅读·人工智能
一 铭1 小时前
AI领域新趋势:从提示(Prompt)工程到上下文(Context)工程
人工智能·语言模型·大模型·llm·prompt
云泽野4 小时前
【Java|集合类】list遍历的6种方式
java·python·list
麻雀无能为力5 小时前
CAU数据挖掘实验 表分析数据插件
人工智能·数据挖掘·中国农业大学
时序之心5 小时前
时空数据挖掘五大革新方向详解篇!
人工智能·数据挖掘·论文·时间序列
IMPYLH5 小时前
Python 的内置函数 reversed
笔记·python
.30-06Springfield5 小时前
人工智能概念之七:集成学习思想(Bagging、Boosting、Stacking)
人工智能·算法·机器学习·集成学习
说私域6 小时前
基于开源AI智能名片链动2+1模式S2B2C商城小程序的超级文化符号构建路径研究
人工智能·小程序·开源
永洪科技6 小时前
永洪科技荣获商业智能品牌影响力奖,全力打造”AI+决策”引擎
大数据·人工智能·科技·数据分析·数据可视化·bi
shangyingying_16 小时前
关于小波降噪、小波增强、小波去雾的原理区分
人工智能·深度学习·计算机视觉