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。