pytorch 神经网络的基本骨架 nn.Module的使用

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

# 给自己的神经网络取名字 叫Model
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
# 输入是x 
        x = F.relu(self.conv1(x))
# 经过卷积后 再经过relu非线性处理 再经过卷积 再经过relu非线性处理
        return F.relu(self.conv2(x))

其中 nn.Conv2d：

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)

其中，stride表示卷积操作中的步长，kernel是卷积核，kernel_size是卷积核的大小。padding是在图像的上下左右进行填充，in_channels可以根据输入图像有几层则为几。out_channels是根据卷积核的数目分别得到卷积后的输出，叠加之后看有几层。