小土堆：Pytorch深度学习：神经网络-卷积层

今天学习Pytorch深度学习：神经网络-卷积层。

# 导入所需的库import torchimport torchvisionfrom torch import nnimport torchvisionfrom torch.nn import Conv2dfrom torch.utils.data import DataLoaderfrom torch.utils.tensorboard import SummaryWriter
# 下载并加载CIFAR-10数据集dataset = torchvision.datasets.CIFAR10("dataset", train=False, transform=torchvision.transforms.ToTensor(),                                       download=True)
# 创建数据加载器dataloader = DataLoader(dataset, batch_size=64)
# 定义一个自定义的神经网络模型，包含一个卷积层class Yang(nn.Module):    def __init__(self):        super(Yang, self).__init__()        self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)
    def forward(self, x):        x = self.conv1(x)        return x
# 创建一个Yang类的实例yang = Yang()print(yang)
# 创建一个用于记录训练过程的SummaryWriterwriter = SummaryWriter("logs")step = 0
# 对数据集进行迭代for data in dataloader:    imgs, targets = data
    # 将图像输入模型并获取输出    output = yang(imgs)
    # 打印图像和输出的形状    print(imgs.shape)    print(output.shape)
    # 将图像和输出添加到TensorBoard中进行可视化    writer.add_images("input", imgs, step)# torch.Size([64, 6, 30, 30])      # 由于 6 个 channel 的图像，是无法显示的，所以，对这个图像进行处理,这里是通过batch_size来调整channel的    output = torch.reshape(output, (-1, 3, 30, 30)) # 这个方法不是很严谨，目的是将 batch_size 降低，当不知道设置为多少合适时，设置为 -1 ，参数会自己计算的    writer.add_images("output", output, step)
    # 更新步骤计数器    step = step + 1

这段代码主要实现了以下功能： 

- 加载CIFAR-10数据集并创建数据加载器。

- 定义一个简单的卷积神经网络模型。

- 使用模型对数据集中的图像进行卷积操作，并将输入和输出保存到TensorBoard中进行可视化。

- 训练过程中，记录每一步的输入和输出。