神经网络卷积层

一、卷积操作

对应位置相乘相加，最终组成一个新的矩阵，实现了降维。

二、代码

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

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

# 搭建简单神经网络
class aying(nn.Module):
    def __init__(self): # 初始化
        super(aying, self).__init__() # 父类
        # 定义卷积层，self使用后，后面的参数在其他函数中也可以使用
        self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)
     # 定义forward函数
    def forward(self, x):# x是输出
        x = self.conv1(x) # x 已经放进卷积层中
        return x
# 初始化该网络A
Aying = aying()
print(Aying) # 查看该网络结构

运行该代码，就可以在运行结果中，查看到：

aying(
  (conv1): Conv2d(3, 6, kernel_size=(3, 3), stride=(1, 1)))

 将加载的数据放进卷积神经网络中处理：

# 将加载的数据放进卷积神经网络中，对数据进行处理
for data in dataloader:
    imgs,targets = data
    output = Aying(imgs)
    print(imgs.shape)
    print(output.shape)

处理后，得到的输出：

  (conv1): Conv2d(3, 6, kernel_size=(3, 3), stride=(1, 1))
)
torch.Size([64, 3, 32, 32])
torch.Size([64, 6, 30, 30])

输入的imgs图片的batch_size为64，通道为3，图片大小为32*32

卷积后的输出output:batch_size为64，通道为6，图片大小为30*30（降维）

使用tensorboard查看：

writer = SummaryWriter("../juanji")
step =0

在for循环体中：

    # 卷积神经网络在tensorboard中查看
    writer.add_image("input", imgs, step)
    writer.add_image("output", output, step)
    step +=1

writer.close()

使用这样的方法按理说，我们能够在tensorboard中查看我们所需要的图像，但是出现了报错，显示的是，输入为3通道的图像，输出的却为6通道的图像，于是使用reshape的方法对其分开：

 # torch.Size([64, 3, 32, 32])
    writer.add_image("input", imgs, step, dataformats="NCHW")
    # torch.Size([64, 6, 30, 30]) ,六个chanel，不能显示
    # 将其拆分，6通道的拆分为3通道，使用-1实现划分batch_size
    output = torch.reshape(output,(-1, 3, 30, 30))
    writer.add_image("output", output, step, dataformats="NCHW")
    step +=1

 同时，会显示报错，代码中写入(-1,3,30,30)型的，但是在    writer.add_image("output", output, step）却只有三个参数，于是还有需要加入dataformats="NCHW"。

成功运行，显示结果：

输出进行卷积后图像。