关于pytorch写网络基础

首先所有网络都要继承nn.Module，不论是残差块还是网络主体。
然后写网络的时候涉及到几个简单的函数，没啥说的，简单提几句。
第一个函数时卷积函数，这里只说2d的卷积

nn.Conv2d(in_channel,out_channel, kernel,stride,padding)
#其中in_channel和out_channel分别代表输入、输出的网络通道数

另一个函数是bn层

nn.BatchNorm2d(num_channel)
#这个函数是利用高斯分布归一化数据，细节就是利用同一个数据通道求取均值和方差
#这个num_channel参数实际上就是总体通道数参数

下一个函数是激活函数relu

nn.Relu(inplace=True)
#这个函数的参数是一个布尔值，当他为True时会把结果直接覆盖给输入，
#这样就避免了重复的内存读写和占用。
#一般设置为True。

这个函数是用在残差块相加的函数

residual = x
x = self.bn(self.conv1(x))
x = torch.add(x, residual)

最后一个函数是：

nn.PixelShuffle(upscale_factor)
#这个函数看过那篇论文的就懂了，就是espcn

剩下的就是总结一下：

1. 网络的继承都是nn.Module
2. 一般网络的class要有in_channel,out_channel,upscal_factor,kernel,stride,padding这些参数
3. 在__init__里面要写各种层的操作（通道数，卷积核，步长等等），以及层的命名
4. 要重写forward函数

关于写完的网络的测试，可以用

torch,randn（batchnumber，channelnumber，h，w）
#这个函数可以随机一个类型的tensor

方便测试网络输入输出！