神经网络_pytorch学习（小儒专用）

以下内容大部分来自b站up主“我是土堆”，只是一个粗浅总结，所以是小儒专用

1、神经网络基本骨架Containers——nn.Module

官方链接：nn.Model
nn.Module是对所有神经网络提供一个基本的类。
创建一个自己的Model类，继承nn.Model类。

import torch
from torch import nn

class XiaoRu(nn.Module):
    def __init__(self):
     super(XiaoRu, self).__init__()  # 继承父类的初始化
    def forward(self,input):
        output = input +1
        return output

xiaoguo = XiaoRu()
x = torch.tensor(1.0)  # 创建一个值为 1.0 的tensor张量
output = xiaoguo(x) #使用pytorch的时候，不需要手动调用forward函数，只要在实例化一个对象中传入对应的参数就可以自动调用 forward 函数。

使用debug的步骤：
先在想分析的代码前面打上一个红点点

然后点击ladybug的按钮，pycharm下方进入到调试界面

然后按单步执行我的代码，一步一步分析代码运行

2、卷积原理

torch.nn官方链接：链接

torch.nn 和 torch.nn.function 的区别：
torch.nn 相当于 torch.nn.function 的封装，用起来更加简便一些。
torch.nn.function 里面有一些底层的卷积的内容，便于学习。

通道数channel含义的理解：good

import torch
import torch.nn.functional as F
# 创建一个张量input，其中括号里面中括号最开始有几个就是几维
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]])
print(input.shape) # torch.Size([5, 5]),但是conv2d要求输入数据是4维：(\text{minibatch一个batch中样本的数量} , \text{in\_channels通道数，取决于样本的通道，比如RGB图像的通道数是3} , iH , iW)
input = torch.reshape(input,(1,1,5,5))
#创建一个卷积核张量
kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])
print(kernel.shape)
kernel = torch.reshape(kernel,(1,1,3,3))

output = F.conv2d(input, kernel, stride=1) # stride：步幅

print(output)

① 步幅：卷积核经过输入特征图的采样间隔。设置步幅的目的：希望减小输入参数的数目，减少计算量。
② 填充：在输入特征图的每一边添加一定数目的行列。设置填充的目的：希望每个输入方块都能作为卷积窗口的中心，或使得输出的特征图的长、宽 = 输入的特征图的长、宽。
③ 一个尺寸 a * a 的特征图，经过 b * b 的卷积层，步幅（stride）= c，填充（padding）= d，若d等于0，也就是不填充，输出的特征图的尺寸 =（a-b）/ c+1；若d不等于0，也就是填充，输出的特征图的尺寸 =（a+2d-b）/ c+1。

参考连接：里面有动图
待补充：王木头的视频内容学习总结+一维卷积的思考

3、神经网络-卷积层

主要讲解nn.Conv2d

各种函数

1、torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)

import torch.nn as nn
# 输入2维Tensor
input = torch.rand(4,3) # 随机生成输入的Tensor，这里input是二维变量，shape（4,3）
linearNet = nn.Linear(3,5) #（in_features,out_features）
# in_feaature = 3 是输入变量的最后一维的通道数，表示输入3个样本，每个样本是（4，）的向量
# out_feature = 5 是输出变量的最后一维的通道数，表示输出5个样本，每个样本的形状和输入样本相同
output = linearNet(input)
print(output.size())
print(linearNet.weight)  # 查看初始权重，（out_features,in_features）
print(linearNet.bias)  # 查看初始偏置项 (N,out_features)

参考