pytorch——神经网络的基本骨架-nn.Module的使用

1.神经网络的基本骨架-nn.Module的使用

nn.Module:所有神经网络模块的基类。

torch.nn.Module基本使用规则：

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)#卷积
        self.conv2 = nn.Conv2d(20, 20, 5)#卷积

    def forward(self, x): #输入x，经过forward计算，得到输出值 
        x = F.relu(self.conv1(x))  
        return F.relu(self.conv2(x))

对上述forward进行解析：

简单使用torch.nn构建简单网络

import torch
from torch import nn
#新建神经网络类
class Base(nn.Module):
    def __init__(self) -> None:
        super().__init__()


    def forward(self,input):
        output=input+1
        return output
        
base=Base()
#新建一个输入变量（tensor类型）
input=torch.tensor(1.0)
output=base(input)
print(output)

---

2.卷积操作（Convolution Layers）

nn.Conv1d	对由多个输入平面组成的输入信号应用一维卷积。
nn.Conv2d	对由多个输入平面组成的输入信号应用二维卷积。

nn.Conv2d

参数：

• input – input tensor of shape (minibatch,in_channels,iH,iW)(minibatch,in_channels,i**H,iW)
• weight – filters of shape (out_channels,in_channels/groups,kH,kW)，可以当作卷积核
• bias –
• stride – 卷积（内）核与输入图像进行卷积操作时在输入图像上移动的步幅。可以是单个数字，也可以是 元组 （sH， sW）。默认值：1 ，表示卷积核每次横移1格，横移完毕后从头纵移一格在横向移动直至计算完毕。如下图：

上述图片对应代码：

import torch
import torch.nn.functional as F
#定义输入数据（二维）,转换为tensor类型
input=torch.tensor([[1,2,0,3,1],
                    [0,1,2,3,1],
                    [1,2,1,0,0],
                    [5,2,3,1,1],
                    [2,1,0,1,1]])

#定义卷积核（二维），转化为tensor类型
kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])

#将input，kernel转换成合适conv2（）格式的shape的数据
input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))
#input，kernel转换后尺寸
print(input.shape)
print(kernel.shape)

#使用卷积
output=F.conv2d(input,kernel,stride=1)#stride=1,步径为1
print(output)

output2=F.conv2d(input,kernel,stride=2)#stride=2,步径为2
print(output2)

• padding –输入两侧的隐式填充，填充值默认为0。可以是字符串 {‘valid’， ‘same’}， 单个数字或元组（padH、padW）。默认值：0 与无填充相同。

  

上述图片对应代码：

import torch
import torch.nn.functional as F
#定义输入数据（二维）,转换为tensor类型
input=torch.tensor([[1,2,0,3,1],
                    [0,1,2,3,1],
                    [1,2,1,0,0],
                    [5,2,3,1,1],
                    [2,1,0,1,1]])

#定义卷积核（二维），转化为tensor类型
kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])

#将input，kernel转换成合适conv2（）格式的shape的数据
input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))
#input，kernel转换后尺寸
print(input.shape)
print(kernel.shape)

#使用卷积
output3=F.conv2d(input,kernel,stride=1,padding=1)#stride=2,步径为2,padding=1即上下填充1行，左右填充一行，默认填充零
print(output3)