pytorch搭建神经网络过程

1、torch.nn.Conv2d()

卷积层

用法：

• Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)

参数：

in_channels：输入通道数【必填】，常见RGB图像输入通道数为3

out_channels：输出通道数【必填】，具体数值见网络结构

kernel_size：卷积核的大小，类型为int 或者元组，当卷积是正方形的时候，只需要一个整数边长即可，卷积不是正方形，要输入一个元组表示高和宽。【必填】，见具体网络结构

stride：步长，默认为1

padding：填充，设置在所有边界增加值为 0 的边距的大小，例如3*3结构，padding=1，变成5*5结构

dilation：卷积核之间间距，以3*3卷积核为例：

当dilation=0时：

当dilation=1时：

 groups：控制输入和输出之间的连接。

bias： 是否将一个 学习到的 bias 增加输出中，默认是 True 。

padding_mode ： 字符串类型，“zeros” 或 “circular”。

 2、torch.nn.MaxPool2d（）

最大池化层

用法：torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

参数：

kernel_size：最大池化窗口的尺寸

stride：步长，默认值为kernel_size

padding：填充

dilation：窗口中元素关系

return_indices ：若设为True，会返回输出最大值的序号，上采样操作会用到

ceil_mode ：若设为True，计算输出信号大小的时候，会使用向上取整，代替默认的向下取整的操作

3、torch.nn.ReLU（）

线性整流函数

将输入小于0的值幅值为0，输入大于0的值不变。

4、torch.nn.Linear（）

全连接层

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

5、torch.nn.Dropout（）

用法：torch.nn.Dropout（p）

p：丢弃多少（0.5-丢弃百分之五十）