卷积层的使用

因为图像是2d的所以选择的是二维卷积

常用设置的阐述

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

卷积公式 

 in_channels (int) ：输入图像的通道数

out_channels (int) ：卷积后产生输出的通道数

 

kernel_size (int or tuple)：一个数或元组，卷积核大小

stride (int or tuple, optional) ：卷积过程步径大小

padding (int, tuple or str, optional)：是否填充

padding_mode (string, optional) ：以什么方式填充，默认为zroe

dilation (int or tuple, optional)：内核元素之间的间距

groups (int, optional) ：常值为1

bias (bool, optional)：偏置 常值为1

测试代码 数据集为CIFAR10

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

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

dataloader =DataLoader(dataset,batch_size=64)

class LL(nn.Module):

    def __init__(self) :
        super(LL,self).__init__()
        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
ll=LL()
print(ll)

输出结果 

 在trnsorboard中显示

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

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

dataloader =DataLoader(dataset,batch_size=64)

class LL(nn.Module):

    def __init__(self) :
        super(LL,self).__init__()
        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
ll=LL()
writer =SummaryWriter("conv2d")
step=0


for data in dataloader:
    imgs,targets=data
    output =ll(imgs)
    print(imgs.shape)
    print(output.shape)
    writer.add_images("input",imgs,step)
    # output 的out_channel为6 彩色图片为3 无法显示 应该把他变成 [64,6,30,30]->[xxx,3,30,30]  当xxx不知道是多少时 用-1代替他会自己计算
    output=torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)
    step=step+1

显示结果