【PyTorch】神经网络的基本骨架-nn.Module的使用以及convolution-layers卷积层介绍

前提文章目录

【PyTorch】深度学习PyTorch环境配置及安装【详细清晰】
【PyTorch】深度学习PyTorch加载数据
【PyTorch】关于Tensorboard的简单使用
【PyTorch】关于Transforms的简单使用
【PyTorch】关于torchvision中的数据集以及dataloader的使用

---

文章目录

• ``前提``文章目录
• • nn.Module的使用
  • convolution-layers卷积层
  • • Conv2d

nn.Module的使用

nn：Neural network 神经网络

官网链接：https://pytorch.org/docs/1.8.1/nn.html

Containers骨架Module链接：https://pytorch.org/docs/1.8.1/generated/torch.nn.Module.html#torch.nn.Module

程序中的基本使用：

import torch
from torch import nn


# 创建神经网络模板   debug不会进行执行 除非调用它才会进行执行
class testModel(nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self, input):
        output = input + 1  # 给一个输入直接将其输出
        return output


# 创建神经网络
testModel = testModel()   #进行debug 这是程序的开始
x = torch.tensor(1.0)
output = testModel(x)
print(output)

convolution-layers卷积层

convolution-layers链接：https://pytorch.org/docs/1.8.1/nn.html#convolution-layers

Conv2d

链接：https://pytorch.org/docs/1.8.1/nn.functional.html#conv2d

参数介绍：

• input：输入
• weight：权重。卷积核
• bias：偏置
• stride：卷积核移动的步长。可以是一个数字或一个元组（sH、sW）。默认值：1 。 sH、sW ：控制横向的移动和控制纵向的移动
• padding：填充
• dilation：扩张 。内核元素之间的间距
• groups：组别

卷积后的输出计算：
Stride步长设置：

用程序计算表示：

import torch
import torch.nn.functional as F

# 输入数据是二维图像（2维矩阵）  看连续的（[[）中括号数，有几个就是几维矩阵
input = torch.tensor([[1, 2, 0, 3, 1],  # 输入图像的第一行
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]])

kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])

# print(input.shape)  # torch.Size([5, 5])   只有高和宽
# print(kernel.shape)  # torch.Size([3, 3])

# 因为文档的输入是需要四个参数  所以这里用torch提供的尺寸变换
# 要求的是一个输入，所以放入input
# (1,1,5,5)：需要变换成的样子   batch_size为1：只取一个样本； channel为1：二维灰度图  5,5: 是5x5的图像输入
input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))

print(input.shape)  # torch.Size([1, 1, 5, 5])
print(kernel.shape)  # torch.Size([1, 1, 3, 3])

output = F.conv2d(input, kernel, stride=1)
print(output)

# 步长（步径）为2
output2 = F.conv2d(input, kernel, stride=2)
print(output2)

运行结果：

解释说明：

灰度图用2维矩阵表示，通道数channel为1。彩色图用3维矩阵表示，通道数为2。

padding填充设置：

程序计算：

# padding为1
output3 = F.conv2d(input, kernel, stride=1, padding=1)
print(output3)

输出结果：

可以看到输出结果的尺寸变大。