torch.nn有很多不同的类别,主要学习Containers。
1.nn=neural network
2.Containers中的Module模块
2.1 Module模块讲解
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)
self.conv2 = nn.Conv2d(20, 20, 5)
def forward(self, x):
x = F.relu(self.conv1(x))
return F.relu(self.conv2(x))
2.2 代码实战:
import torch
from torch import nn
class Tudui(nn.Module):
def __init__(self):
super().__init__()
def forward(self,input):
output=input+1
return output
tudui=Tudui()
x=torch.tensor(1.0)
output=tudui(x)
print(output)
PyCharm的code栏下的generate功能可以辅助实现代码重写。
4.卷积:
本节将讲解神经网络中一些基本神经结构的使用。
4.1 卷积层讲解:
torch.nn是对torch.nn.functional的封装,比如车是对各个零部件的封装。
卷积核与覆盖部分一对一做乘,并相加,得到的值为输出
4.2 举例卷积:
import torch
import torch.nn.functional as F
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]])
kernel=torch.tensor([[1,2,1],
[0,1,0],
[2,1,0]])
input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))
print(input.shape)
print(kernel.shape)
output=F.conv2d(input,kernel,stride=1)
print(output)
- 若将 stride 参数改为2:
output2=F.conv2d(input,kernel,stride=2)
print(output2)
- padding 参数
output3=F.conv2d(input,kernel,stride=1,padding=1)
print(output3)