pytorch深度学习知识点和案例代码讲解（小白可逐帧学习）

以下都为个人理解，如有错误，请大佬们批评指正

讲代码之前，先给各位看一下几个普遍的定义：

代码定义：

Input Size：指的是输入尺寸

图像分辨率：首先，你需要根据你的图像的分辨率来确定输入尺寸。例如，如果图像是width 乘以height，并且是彩色的（3个通道），则输入尺寸将是width * height * 3

Number of Classes：指的是类别数（需要识别东西的数量）

任务类型：类别数应根据你的任务类型来确定。

例如：在MNIST手写集识别中，我们需要识别的就是0-9这10个数字，所以它的类别数就是10

kernel_size：指的是卷积核

Padding:填充

我们比较常见的就是padding=1，它指的是在输入特征图的边界周围填充一圈像素点，它的主要目的是：

1.使用padding=1（在输入特征图的周围填充1像素的零值)，可以保持特征图在卷积操作后的尺寸不变。例如，如果输入特征图的尺寸是WxH，卷积核的尺寸是KxK，那么输出特征图的尺寸也将是WxH（单词都用的是缩写，在上方注释中都有所提到）

2.在多层卷积网络中，如果不使用填充，每经过一层卷积，特征图的边缘信息就会减少一部分，这可能导致有用的信息丢失。

in_channels：输入通道数

例如：in_channels=3：输入通道数为3，这意味着卷积层将接收具有3个通道的输入数据，通常是彩色图像的RGB三个颜色通道

out_channels：输出通道数

例如：out_channels=32：输出通道数为32，这表示卷积层将输出一个具有32个通道的特征图。在实践中，这通常对应于我们希望网络学习到的特征数量

import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
    
    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        return x

在上面例子中，CNN类定义了一个简单的卷积神经网络块，它首先应用卷积层conv1，然后是ReLU激活函数，最后是最大池化层。

案例：

1.

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # 定义模型的第一层：一个卷积层
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, padding=1)
        # 定义模型的第二层：一个激活层
        self.relu = nn.ReLU()
        # 定义模型的一个全连接层
        self.fc = nn.Linear(32 * 32 * 32, 10)  # 假设输入特征图大小为32x32

    def forward(self, x):
        # 定义前向传播过程
        x = self.conv1(x)  # 卷积操作
        x = self.relu(x)    # 激活函数
        x = x.view(x.size(0), -1)  # 展平特征图
        x = self.fc(x)      # 全连接层
        return x

# 实例化模型
model = Net()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型的伪代码
# for epoch in range(num_epochs):
#     for data, target in train_loader:
#         optimizer.zero_grad()   # 清除之前的梯度
#         output = model(data)    # 前向传播
#         loss = criterion(output, target)  # 计算损失
#         loss.backward()         # 反向传播
#         optimizer.step()        # 更新权重

在上面例子中，Net类定义了一个简单的神经网络，包含一个卷积层、一个ReLU激活层和一个全连接层。forward方法定义了数据通过这些层的路径。然后，可以创建这个模型的实例，并使用适当的损失函数和优化器进行训练。

注意事项：

1.根据数据集的图像尺寸调整网络结构中的输入层和卷积层的参数，以确保数据能够正确流入网络。例如，使用 nn.Conv2d 时，确保 in_channels 参数与数据集图像的通道数一致。

2.根据模型在特定数据集上的表现，调整学习率和选择合适的优化器。PyTorch 提供了多种优化器，如 SGD、Adam 等

3.超参数调优：可以使用工具如 Optuna 进行超参数调优，来找到最佳的学习率、批量大小等一系列参数。Optuna 允许您定义超参数搜索空间，并自动进行参数组合尝试

2.

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, padding=1)  # 假设输入图像是灰度图
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
        self.fc1 = nn.Linear(64 * 8 * 8, 128)  # 根据卷积层输出调整
        self.fc2 = nn.Linear(128, num_classes)

    def forward(self, x):
        x = self.pool(self.relu(self.conv1(x)))
        x = self.pool(self.relu(self.conv2(x)))
        x = x.view(-1, 64 * 8 * 8)  # 展平卷积层输出
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 实例化模型
model = CNN()

注：输入图像是灰度图为1个通道，若为RGB图（3通道），需要将nn.Conv2d(1, 32, ...)中的1改为3。此外，self.fc1的输入特征数量需要根据前一层的输出特征图的尺寸来计算。

以下为一个3通道的案例：

class SimpleCNN(nn.Module):
    def __init__(self, num_classes=10):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, kernel_size=3, padding=1)  # 彩色图像，3个通道
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
        # 假设第二个卷积层后的特征图尺寸是8x8
        self.fc1 = nn.Linear(64 * 8 * 8, 128)
        self.fc2 = nn.Linear(128, num_classes)

    def forward(self, x):
        x = self.pool(self.relu(self.conv1(x)))
        x = self.pool(self.relu(self.conv2(x)))
        x = x.view(x.size(0), -1)  # 展平特征图
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        return x

希望对大家有所帮助，祝各位学有所成，诸君，共勉之！