[土堆]深度学习快速入门教程笔记——卷积层——008

1. 卷积原理

---

• Conv1d代表一维卷积，Conv2d代表二维卷积，Conv3d代表三维卷积。
• kernel_size在训练过程中不断调整，定义为3就是3 * 3的卷积核，实际我们在训练神经网络过程中其实就是对kernel_size不断调整。

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, 

dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

常用参数：

        

• in_channels (int) – 输入图像中的通道数

• out_channels (int) – 由卷积产生的通道数

• kernel_size (int or tuple) – 卷积核的大小

• stride (int or tuple, optional) – 卷积的步幅 Default: 1

• padding (int, tuple or str, optional) – 添加到输入四个边的Padding  Default: 0

• padding_mode (str, optional) – , , or . Default: 'zeros''reflect''replicate''circular''zeros'

• dilation (int or tuple, optional) – Spacing between kernel elements. Default: 1

• groups (int, optional) – Number of blocked connections from input channels to output channels. Default: 1

• bias (bool, optional) – If , adds a learnable bias to the output. Default: TrueTrue

可以根据输入的参数获得输出的情况，如下图所示。

---

2. 搭建卷积层 并处理图片

---

import torch
from torch import nn
import torchvision
from torch.nn import Conv2d
from torch.utils.data import DataLoader

#搭建卷积层
dataset = torchvision.datasets.CIFAR10("./dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True)       
dataloader = DataLoader(dataset, batch_size=64)
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.conv1 = Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0) # 彩色图像输入为3层，我们想让它的输出为6层，选3 * 3 的卷积                
    
    def forward(self,x):
        x = self.conv1(x)
        return x

#卷积层处理图片
tudui = Tudui()
writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs, targets = data
    output = tudui(imgs)
    print(imgs.shape)   # 输入为3通道32×32的64张图片
    print(output.shape)   # 输出为6通道30×30的64张图片
    writer.add_images("input", imgs, step)
    output = torch.reshape(output,(-1,3,30,30)) #-1为占位符，让计算机自行计算后填入
# 把原来6个通道拉为3个通道，为了保证所有维度总数不变，其余的分量分到第一个维度中
    writer.add_images("output", output, step)
    step = step + 1