小土堆Pytorch笔记P16、17

编程基础很弱，需要机器学习，学习记录，按自己理解写的，希望以后能学懂吧，要是有大神看到还请赐教。

神经网络的基本骨架-nn.Module的使用

关于神经网络的一些工具在Pytorch官网帮助文档中torch.nn里面。

Containers：对神经网络定义了一些结构，在结构中添加一些内容就可以组成神经网络。

Containers包含六个模块：

Module，所有神经网络的一个基本类，为所有神经网络提供一个基本骨架，定义的神经网络都要从这个类中继承，小案例代码如下：

import torch.nn as nn
import torch.nn.functional as F


# 定义了一个神经网络名叫Model，它继承了Module这个类。
# 继承了一个类，相当于Model是Module的一个fu类。
# 相当于Module给所有神经网络提供了一个模板，我们继承它就是拿这个模板用来用，并对其中一些部分进行修改。
class Model(nn.Module):
    # Module相当于买的玩具，Model相当于改装的玩具。
    # 两个def相当于进行的改装。
    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

写个例子看一下：

import torch
from torch import nn


# 定义一个神经网络名为Tudui继承于Module
class Tudui(nn.Module):
    # 重写例子中的两个方法
    # 方式1
    def __init__(self):
        super(Tudui, self).__init__()

    # 方式2，借助Pycharm中的一些工具
    # 说我没有打开要Copy的文件，这里就先手动挡。
    def forward(self, input):  # forward方法中要有一个input
        output = input + 1  # input+1
        return output  # return出outpu


# 定义完神经网络模板，接下来创建神经网络
tudui = Tudui()
# 先定义一个输入x
x = torch.tensor(1.0)
# 将x输入到神经网络中
output = tudui(x)
print(output)

 将断点打在tudui=Tudui()这一行，发现运行顺序：

首先跳到类的初始化，然后给x赋值，接着跳到forward中给x加1，然后return出来。

土堆说卷积操作（可选）

# 卷积操作
import torch
import torch.nn.functional as F

input = torch.tensor([[1, 2, 0, 3, 1],
                      [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)
print(kernel.shape)

# 尺寸变换
input = torch.reshape(input, (1, 1, 5, 5))  # 1batch,1通道，5*5
kernel = torch.reshape(kernel, (1, 1, 3, 3))  # 1batch,1通道，5*5
print(input.shape)
print(kernel.shape)
# 二维卷积输入要求（B,C,H,D）=(batch_size,channel,高度，宽度)
#不同stride效果
output = F.conv2d(input, kernel, stride=1)
print(output)
output2 = F.conv2d(input, kernel, stride=2)
print(output2)
#padding为填充
output3 = F.conv2d(input,kernel,stride=1,padding=1)
print(output3)

输出：