pytorch学习：B站【小土堆】

 P16:神经网络的基本骨架——nn.Module的使用：

""" https://pytorch.org/docs/stable/nn.html#containers
骨架：Container;   卷积层： Convolution layers;   池化层： Pooling layers
例子：来自于pytorch官网：https://pytorch.org/docs/stable/generated/torch.nn.Module.html#torch.nn.Module

    import torch.nn as nn
    import torch.nn.functional as F

    class Model(nn.Module):   # Model 继承了nn.Module的类
        def __init__(self):
            super().__init__()  # 必须！
            self.conv1 = nn.Conv2d(1, 20, 5)
            self.conv2 = nn.Conv2d(20, 20, 5)

        def forward(self, x):   # 前向传播； 反向传播：backward
            x = F.relu(self.conv1(x))       # conv1:卷积；     relu：非线性
            return F.relu(self.conv2(x))
"""
import torch
from torch import nn


class Tudui(nn.Module):
    def __init__(self):
            super().__init__()  # 必须！

    def forward(self,input):
        output = input + 1
        return output

tudui = Tudui()
x = torch.tensor(1.0)
output = tudui(x)
print(output)

P17:土堆说卷积操作（可选看）

pytorh官网（Convolution Layers）：torch.nn — PyTorch 2.2 documentation

CONV2D：torch.nn.functional.conv2d — PyTorch 2.2 documentation

1.Parameters

        1）input -input tensor of shape(minibatch,in_channels,iH,iW)

        2）weight-filters of shape

        3）bias-optional bias tensor of shape (out_channels)(out_channels). Default: None

        4）stride ：步长，例：stride = 1        ：控制横向和纵向，每次走一个单位

                        最后可以得到卷积的输出：

有个数up算错了，大伙笑话他--》

【PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】】https://www.bilibili.com/video/BV1hE411t7RN?p=17&vd_source=cdd93033e19ffe61f167bada04827323

        5）padding：决定填充有多大，默认不填充，下图为 padding = 1

        6）dilation：

        7）groups ：

2.本节课代码如下：

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)  # input要求有四个参数的尺寸，但现在只有两个参数
print(kernel.shape)

input = torch.reshape(input, (1, 1, 5, 5))  # batch(样本) = 1, channels = 1, 5*5
kernel = torch.reshape(kernel, (1, 1, 3, 3))

print(input.shape)  # 现在换成四个参数了：input--input tensor of shape(minibatch,in_channels,iH,iW)
print(kernel.shape)

output = F.conv2d(input, kernel, stride=1)  # 步长为1
print("步长为1\n" + str(output))

output2 = F.conv2d(input, kernel, stride=2)  # 步长为2
print("步长为2\n" + str(output2))

output3 = F.conv2d(input, kernel, stride=1, padding=1)  # 步长为1 ，填充1
print("步长为1 ，填充1\n" + str(output3))

3.代码输出结果：