pytorch 学习笔记—卷积层

首先是需要定义一个神经网络，实现nn.Module的init和forward方法

class nn_conv2d_zj(nn.Module):#定义一个神经网络

    def __init__(self) -> None:#定义初始化方法
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1)


    def forward(self,x):#定义forward方法，这个方法相当于很多神经元
        x = self.conv1(x)
        return x

 接下来，需要通过Init方法，实例化神经网络 

nn_conv2d_zj_1 = nn_conv2d_zj()#实例化出一个神经网络，调用初始化函数

下面是完整代码

import torchvision
from tensorboardX import SummaryWriter
from torch import nn
from torch.utils.data import DataLoader
from torchvision import transforms
import torch


test_set = torchvision.datasets.CIFAR10("./datasets2",train=False,transform=transforms.ToTensor(),download=True)

test_loader = DataLoader(dataset=test_set,batch_size=64)


class nn_conv2d_zj(nn.Module):#定义一个神经网络

    def __init__(self) -> None:#定义初始化方法
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1)


    def forward(self,x):#定义forward方法，这个方法相当于很多神经元
        x = self.conv1(x)
        return x


nn_conv2d_zj_1 = nn_conv2d_zj()#实例化出一个神经网络，调用初始化函数
# output = nn_conv2d_zj_1(test_loader)
writer = SummaryWriter("logs")
step = 0
for data in test_loader:#从第一个batch进行遍历
    imgs,targets = data
    print(imgs.shape)
    output = nn_conv2d_zj_1(imgs)#将data中取出的图片送入神经网络中去，直接调用内置的forward方法
    print(output.shape)
    output = torch.reshape(output,(-1,3,30,30))#一个不太严谨的做法直接将6通道转变成3通道，多余的通道直接将batchsize成倍增加
    print(output.shape)
    writer.add_images("input",imgs,step)
    writer.add_images("output",output,step)
    step =  step+1

writer.close()

下面展示在nn.functional 模块下调用卷积操作

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]])

# print(input.shape)
# print(kernel.shape)

input = torch.reshape(input,(1,1,5,5))#在进入卷积运算的时候必须reshape成这种形状，第一个代表batchsize ,第二个是通道，第三个是高，第四个是宽

kernel = torch.reshape(kernel,(1,1,3,3))
# print(input.shape)
# print(kernel.shape)
output = F.conv2d(input,kernel,stride=1)#stride等于1 的意思是上下都等于1
print(output)