Pytorch入门（二）——torch.nn模块

一、卷积层

torch.nn.Conv1d()：1D卷积；torch.nn.ConvTranspose1d()：1D转置卷积；

torch.nn.Conv2d()：2D卷积；torch.nn.ConvTranspose2d()：2D转置卷积；

torch.nn.Conv3d()：3D卷积；torch.nn.ConvTranspose3d()：3D转置卷积；

torch.nn.Conv2d(in_channels,  # 输入通道数
                out_channels,  # 输出特征数
                kernel_size,  # 卷积核大小
                stride = 1,  # 卷积步长，默认为1
                padding = 0,  # 零填充，默认为0
                dilation = 1,  # 卷积核元素之间的步幅
                group = 1,  # 从输入通道到输出通道的阻塞连接数
                bias = True)  # bias = True则添加偏置，默认为True

torch.nn.Conv2d()输入张量的格式为(N,C,H,W)，N为样本数；C为输入通道数；H和W为图片长宽

二、池化层

torch.nn.MaxPool1d()：1D最大值池化；torch.nn.MaxUnPool1d()：1D最大值池化的部分逆运算；

torch.AvgPool1d()：1D平均值池化；torch.AdaptiveMaxPool1d()：1D自适应最大值池化；

torch.AdaptiveAvgPool1d()：1D自适应平均值池化；

2d和3d同上。

torch.nn.MaxPool2d(kernel_size,  # 最大值池化的窗口大小
                   stride = None,  # 池化窗口一定的步长，默认为kernel_size
                   padding = 0,  # 补零层数
                   dilation = 1,  # 池化窗口元素步幅的参数
                   return_indices = False,  # 为true则返回输出最大值的索引
                   ceil_mode = False,  # 为true计算输出信号大小时回向上取整，默认向下取整
                    )

三、激活函数

常见的激活函数：torch.nn.Sigmoid；torch.nn.Tanh；torch.nn.ReLU；torch.nn.Softplus；

四、循环层

torch.nn.RNN()：多层RNN单元；torch.nn.RNNCell()：一个RNN循环层单元；

torch.nn.LSTM()：多层长短期记忆LSTM单元；torch.nn.LSTMCell()：一个LSTM单元；

torch.nn.GRU()：多层门限循环GRU单元；torch.nn.GRUCell()：一个门限循环GRU单元；

具体用法在后面循环神经网络文章中将具体给出。

五、全连接层

torch.nn.Linear(in_features,out_features,bias = True)：

in_features：每个输入样本的特征数量；

out_features：每个输出样本的特征数量；

bias：默认True；学习偏置；

输入（N,in_features）;输出（N,out_features）