Pytorch学习笔记 --卷积层之搭建简单的神经网络实战

就上篇文章继续，conv2d还有两个很重要的参数：in_channel 和out_channel,其中 in_channel=1表示输入图像为单一通道，灰色。若out_channel=2表示输出图像为2，这样就需要两个卷积核进行运算，进而生成两个图像。

channel可以简单理解为图层数，等于3代表有三层为rgb（三通道）。

现在输入数据集，搭建神经网络，利用前面所学知识实战：

from idlelib.pyparse import trans
import torch
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from torchvision.ops.misc import Conv2d
from py.dataset_transforms import target, write
from py.nn_module import output



dataset=torchvision.datasets.CIFAR10("../data",train=False,transform=torchvision.transforms.ToTensor(),download=True) #加载数据集
dataloader=DataLoader(dataset,batch_size=64)   #取数据

class aaax(nn.Module):       #创建一个神经网络
    def __init__(self):
        super(aaax,self).__init__()
        self.conv1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)

    def forward(self,input):
        input=self.conv1(input)  #先进行一次卷积操作
        return input


aaa=aaax()#初始化

writer = SummaryWriter("./conv2d_logs") #./表示本级目录  ../表示上级目录
step=0
for data in dataloader:
    imgs,targets=data
    output=aaa(imgs)
    print(imgs.shape)  #torch.Size([64, 3, 32, 32])  batchsize=64，3通道，32*32大小
    print(output.shape) #torch.Size([64, 6, 30, 30])  batchsize=64，6通道，30*30大小  会发现尺寸变小了
    write.add_images("intput", imgs, step)
    output=torch.reshape(output,(-1,3,30,30))
    write.add_images("output",output,step)
    step+=1

#write.close()
print(step) #157

#D:\Pychram_Project\Learn_Pytorch\Projects\py\conv2d_logs

print()的结果注释中有说明，然后tensorboard查看结果如下：

通过输出结果可以看出，batch_size变大了，因为36行代码 output=torch.reshape(output,(-1,3,30,30))  减少了通道 ，那么几个图层合到一起，相当于增大了batch_size。

 学习内容来自b站小土堆，仅用作记录学习，切勿商用。