【Pytorch实战--卷积层】

卷积层

---

PyTorch + TensorBoard 可视化

本示例通过一个简单的卷积神经网络 ，演示了如何使用 PyTorch 加载图像数据、执行前向传播，并使用 TensorBoard 可视化输入和输出图像。

---

引入所需的库

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from torch.utils.data import DataLoader

---

数据加载与预处理

# 图像预处理：缩放为 224x224，并转为张量
data_transforms = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor()
])

# 加载数据集，root 文件夹需符合 ImageFolder 的结构规范
dataset = torchvision.datasets.ImageFolder(
    root=r'D:/My_Work/StudyDeepLearning/day3_code/dataset/test',
    transform=data_transforms
)

# 使用 DataLoader 批量加载数据，batch_size 为 32，打乱顺序
dataloader = DataLoader(dataset=dataset, batch_size=32, shuffle=True)

---

定义网络结构

class TuDui(nn.Module):
# 定义了一个自定义神经网络模型类 TuDui,继承自 PyTorch 的 nn.Module
    def __init__(self):
    # 构造函数中先调用父类构造函数，初始化 nn.Module 的内部结构
        super(TuDui, self).__init__()
        # 定义一个卷积层：输入通道3（RGB），输出通道6，卷积核大小3x3
        self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)

    def forward(self, x):
        # 调用卷积层执行前向传播
        x = self.conv1(x)
        return x

---

创建模型实例并打印结构

tudui = TuDui()
print(tudui)  # 输出模型结构，用于检查网络定义是否正确

---

使用 TensorBoard SummaryWriter 可视化结果

writer = SummaryWriter("logs")  # 创建日志目录 logs/
step = 0  # 步数计数器

---

遍历数据集并前向传播

for data in dataloader:
    imgs, label = data  # 获取一批图片和标签
    output = tudui(imgs)  # 前向传播，得到输出特征图

    # 打印输入和输出的张量维度
    print(imgs.shape)      # [32, 3, 224, 224]
    print(output.shape)    # [32, 6, 222, 222]，因为卷积减少了2个像素（padding=0, kernel=3）

    # 可视化输入图像（最多3通道）
    writer.add_images("input", imgs, step)

    # 为了可视化输出（6通道），这里只选择其中3个通道重新 reshape
    output = torch.reshape(output, (-1, 3, 222, 222))  # 每次最多3通道可显示
    writer.add_images("label", output, step)

    step += 1

---

关闭 SummaryWriter

writer.close()

之后可在命令行中使用以下命令打开 TensorBoard：

tensorboard --logdir=logs

---

小结