PyTorch API (一)

torch.nn

class torch.nn.Conv2d(in_channelsout_channelskernel_sizestride=1padding=0dilation=1groups=1bias=True)

stride:控制交叉相关、单个数字或元组的跨步。

padding:控制两侧隐式零边线的数量,用于填充每个维度的点数。

dilation:控制核点之间的间距;也被称为a trous算法。这很难描述,但是这个链接很好地展示了膨胀的作用。

groups:控制输入和输出之间的连接。in_channels和out_channels都必须可以被组整除。

bias:如果为真,则在输出中添加一个可学习的偏差。

class torch.nn.Module

所有神经网络模块的基类。您的模型也应该子类化这个类。模块还可以包含其他模块,允许将它们嵌套在树结构中。可以将子模块指定为常规属性。

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

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

    def forward(self, x):
       x = F.relu(self.conv1(x))
       return F.relu(self.conv2(x))

torchvision.transforms

class torchvision.transforms.Normalize(meanstd)

用均值和标准差对张量图像进行标准化处理。给定平均值:(M1,…,Mn)和std:(S1,…,Sn)对于n个通道,这个变换将标准化每个通道的输入。

注意:这种转换是就地进行的,即它改变了输入张量。

class torchvision.transforms.ToTensor

转换PIL图像或numpy为tensor。ndarray (H x W x C)在[0,255]范围内。FloatTensor(C x H x W)在[0.0,1.0]范围内。

class torchvision.transforms.RandomCrop(sizepadding=Nonepad_if_needed=Falsefill=0padding_mode='constant')

裁剪后期望的输出大小。如果size是int而不是序列(h, w),则生成一个正方形裁剪(size, size)。

class torchvision.transforms.RandomHorizontalFlip(p=0.5)

水平翻转给定的PIL图像,用给定的概率随机翻转。

p:图像被翻转的概率。默认值为0.5(float)

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值