神经网络——卷积层（conv2d）

图1. 输入参数

in_channels：输入通道个数。例如彩色图片有3个通道
out_channels：输出通道个数。out_channals=2时，会生成2个卷积核与输入图像进行卷积。
kernel_size：卷积核大小。
padding_mode：padding填充模式。
groups：一般设置成1
bias：偏置。一般设置为True

图2. 计算图像长和宽的方法

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

# 准备数据集
dataset = torchvision.datasets.CIFAR10("../pytorch_learn/dataset2", train=False, transform=torchvision.transforms.ToTensor(), download=True)

# 下载数据
dataloader = DataLoader(dataset, batch_size=64, shuffle=True)

# 搭建简单神经网络
class conv(nn.Module):
    def __init__(self):
        super(conv, self).__init__()
        self.cov1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)

    def forward(self, x):
        x = self.cov1(x)
        return x

writer = SummaryWriter("logs")

conv = conv()
# 将每张图像放到神经网络中
step = 0
for data in dataloader:
    img, target = data
    output = conv(img)
    # torch.Size([64, 3, 32, 32])
    writer.add_images("input", img, step)
    # torch.Size([64, 6, 30, 30])
    # 由于输出是6通道的，而输入是3通道的。所以会报错，需要进行变换
    output = torch.reshape(output, (-1, 3, 30, 30))
    writer.add_images("output", output, step)
    step += 1

writer.close()