神经网络——卷积层（Conv2d）的使用

这是官网对Conv2d二维卷积神经网络的描述，其中包含有很多参数，主要使用的是：in_channels是输入通道数，out_channels是输出通道数，kernel_size是卷积核的大小（可以是一个数也可以是一个元组），stride是步径大小，padding就是给出的一个选项，自行选择是否填充并设置大小。

步骤：

1.准备测试集，从pytorch官网下载CIFAR10数据集，并使用DataLoader进行加载；

dataset = torchvision.datasets.CIFAR10("./conv2d_data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset,batch_size=64)

2.搭建神经网络，命名为Learn_Conv,继承nn.Module类，首先编写init初始化方法，完成父类的初始化以及第一层卷积的设置；再重写forward方法，使其执行卷积，将x传入卷积层，经过卷积操作得到输出；

class Learn_Conv(nn.Module):
    def  __init__(self):
        super(Learn_Conv,self).__init__()      #父类的初始化
        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

conv = Learn_Conv()
print(conv)

 3.初始化网络为conv，使用print查看网络结构，输出结果为

 4.将测试集中的每张图像放进该神经网络，并使用tensorboard进行展示，下述代码执行后产生了一个错误，原因是只能显示出3通道的图像，而神经网络中设置的6通道tensorboard无法显示，在此处使用torch.reshape进行了一个重构操作解决这个问题；

step =0
writer = SummaryWriter("logs")
for data in dataloader:
    imgs,targets =data
    output =conv(imgs)

    print(imgs.shape)
    print(output.shape)
    writer.add_images("input",imgs,step)
    writer.add_images("output",output,step)  
    step = step + 1

 修改后的代码：

step =0
writer = SummaryWriter("logs")
for data in dataloader:
    imgs,targets =data
    output =conv(imgs)

    print(imgs.shape)
    print(output.shape)
    writer.add_images("input",imgs,step)
    output = torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)  #报错是因为输出6通道无法显示，使用reshape变换后输出
    step = step + 1

 5.运行代码，在terminal中执行tensorboard --logbir logs查看结果如下图：

 完整代码如下：

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

#测试集
dataset = torchvision.datasets.CIFAR10("./conv2d_data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset,batch_size=64)

# Python中的super(Net, self).__init__()是指首先找到Net的父类（比如是类NNet），
# 然后把类Net的对象self转换为类NNet的对象，然后“被转换”的类NNet对象调用自己的init函数，
# 其实简单理解就是子类把父类的__init__()放到自己的__init__()当中，这样子类就有了父类的__init__()的那些东西。
#
# 回过头来看看我们的我们最上面的代码，Net类继承nn.Module，super(Net, self).__init__()就是对继承自父类nn.Module的属性进行初始化。而且是用nn.Module的初始化方法来初始化继承的属性。

class Learn_Conv(nn.Module):
    def  __init__(self):
        super(Learn_Conv,self).__init__()      #父类的初始化
        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

conv = Learn_Conv()
print(conv)
step =0
writer = SummaryWriter("logs")
for data in dataloader:
    imgs,targets =data
    output =conv(imgs)

    print(imgs.shape)
    print(output.shape)
    writer.add_images("input",imgs,step)
    output = torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)  #报错是因为输出6通道无法显示，使用reshape变换后输出
    step = step + 1