pytorch(5)——卷积、

一、卷积

1. 使用之前需要引入：

import torch

import torch.nn.functional as F

2. 参数：

官网提供数据如上，其中：

input：输入。需要是 tensor 型的，要写明有数据分成几批，输入通道有几个，高和宽是多少

weight：权重，卷积核(kernel)。要写明输出通道有几个，（group一般取1）输入通道数，高和宽

bias：偏置

stride：步长，可以是单个数，或者元组（sH：控制横向步径，sW：控制纵向步径）

padding：填充

3. 使用方法举例：

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]])  # 这是输入矩阵
# 下面是卷积核
kernel = torch.tensor([[1,2,1],
                        [0,1,0],
                        [2,1,0]])

# pytorch 提供的尺寸变换
input = torch.reshape(input,(1,1, 5, 5))  # batchsize=1*1   宽高=5*5 通道=1
'''
reshape要求输入：tensor形式的矩阵，输入像变换的尺寸大小
'''
kernel = torch.reshape(kernel,(1,1, 3, 3))  # 卷积核宽高，通道等信息重置

output = F.conv2d(input, kernel, stride=1)
output2 = F.conv2d(input, kernel, stride=2)
print(output)
print(output2)

# padding操作

output3 = F.conv2d(input, kernel, stride=1, padding=1)
print(output3)

#结果：
tensor([[[[10, 12, 12],
          [18, 16, 16],
          [13,  9,  3]]]])
tensor([[[[10, 12],
          [13,  3]]]])
tensor([[[[ 1,  3,  4, 10,  8],
          [ 5, 10, 12, 12,  6],
          [ 7, 18, 16, 16,  8],
          [11, 13,  9,  3,  4],
          [14, 13,  9,  7,  4]]]])

Process finished with exit code 0

4. 信息补充：

kernel：卷积核；

batch：神经网络训练模型时，有1000个样本，分成10批，就是10个batch，每批100个样本，那么：batch = 10, batch_size = 100；

Epoch：1个epoch等于使用训练集中的全部样本训练一次，通俗的讲几次epoch就是整个数据集被轮几次；

参考：(38条消息) 神经网络训练中batch的作用（从更高角度理解）_神经网络batch_做个好男人！的博客-CSDN博客

---

二、卷积层

1、官网定义：

参数说明（数据都要转换成 tensor 型）：

in_channels：输入通道数；int型

out_channels：输出通道数；int型 输出通道有几个，卷积核就有几个；

kernel_size：卷积核大小；int/tuple型（一个数或者元组）

stride：步长；int/tuple型

padding：填充；int/tuple型

dilation：卷积核对应位的距离，空洞卷积；int/tuple型

groups：一般是1，如果改变就是分组卷积；int型

bias：偏置，True表示计算时偏置要加上去；bool型

padding_mode：填充的模式 'zeros'：填充部分都设置成0，还有'reflect''replicate''circular'型；string型

其中只有前三个参数是需要自己设置的，其他都有默认值，比较常用的是前面五个参数。

2、实例：

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("F:\\pycharm\\text\\dataset", train=False, transform=torchvision.transforms.ToTensor(),
                                        download=False)
# 这里是需要一个测试数据集，数据集在F:\pycharm\text\dataset里面，将数据集里的数据集变成 tensor 型
dataloader = DataLoader(dataset,batch_size=64)
# 数据集被分组，每组64张图片，图片取自 dataset，最后赋值给 dataloader

class Tudui(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)
        # 创建一个卷积层

    def forward(self, x):
        x = self.conv1(x)  # x 经过一个卷积层后得到一个输出，还叫他 x
        return x

tudui = Tudui()
print(tudui)
# 输出：Tudui(
#   (conv1): Conv2d(3, 6, kernel_size=(3, 3), stride=(1, 1))
# )  输出卷积的名字叫 conv1，后面是他的信息，3个输入通道，6个输出通道，卷积核原来输入的是
# 3，但是卷积核自动填充，变成了：3*3，后面的步长也是一样，自动扩变成1*1（横向每次走一步，纵向每次走一步）

上面是基本的引用和创建卷积层，接下来是进入的层和输出的层处理数据的具体形况：

for data in dataloader:
    imgs, targets = data
    output = tudui(imgs)
    print(output.shape)  # torch.Size([64, 6, 30, 30]) 输出通道变多了，但是经过卷积图片尺寸变小了
    print(imgs.shape)  # torch.Size([64, 3, 32, 32])

3、计算公式：