代码实战（小土堆）——神经网络—卷积层

 卷积层

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros'

• in_channels：输入通道数（彩色图像3通道）
• out_channels：输出通道数=卷积核个数
• kernel_size：卷积核尺寸
• stride：卷积步长
• padding：对原始图像扩充边边
• dilation：卷积核对应位的距离
• groups：设置为1，几乎用不上
• bias：偏置，一直设置为True
• padding_mode：填充的模式

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

# 数据
dataset = torchvision.datasets.CIFAR10("./dataset", train=False, transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset, batch_size=64)

# 搭建神经网络
class Tudui(nn.Module):
    # 初始化方法
    def __init__(self):
        # 父类初始化
        super(Tudui, self).__init__()
        # 定义卷积层（使用self，self后面的变量在其他函数中也可以使用）
        self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)

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

tudui = Tudui()
print(tudui)

 

结果

 

 对图片卷积

tudui = Tudui()

writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs, target = data
    output = tudui(imgs)
    # torch.Size([64, 3, 32, 32])
    writer.add_images("input", imgs, step)

    # torch.Size([64, 6, 30, 30])
    writer.add_images("output", output, step)
    step += 1

 

• 这里会报错......因为output 是6通道的，tensorboard上彩色图像要3通道才可以显示。
• 通过 reshape 改变通道数。bachsize不知道是多少就设置为-1，它会自己计算。

tudui = Tudui()

writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs, target = data
    output = tudui(imgs)
    # torch.Size([64, 3, 32, 32])
    writer.add_images("input", imgs, step)

    # torch.Size([64, 6, 30, 30]) ——> [xxx, 3, 30, 30]
    output = torch.reshape(output, (-1, 3, 30, 30))
    writer.add_images("output", output, step)
    step += 1

结果