神经网路的基本骨架——nn.Module

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)