P18 神经网络专题——卷积层

再来读文档

在这里插入图片描述
inchannel 输入通道数
outchannel 输出通道数(卷积核个数)
kernel_size 卷积核大小
stride=1 卷积过程路径大小
padding 卷积过程是否进行padding操作
dilation 卷积核中的对应位距离
groups分组卷积一般为 1
bias偏置 一般为True
padding_mode=一般默认是0

一、概念讲解L:

在这里插入图片描述
inchannel 输入通道数 一般彩色是3通道

outchannel 输出通道数

kernel_size 卷积核大小 一般数字或元组。如果设3,那就是3×3的卷积核 也可以用元组(1,2)1×2

stride=1 卷积过程(横纵向)路径大小

padding 卷积过程是否进行padding操作

dilation 卷积核中的对应位距离 不常用

groups分组卷积一般为 1

bias偏置 一般为True

padding_mode=一般默认是0

积核的值会根据分布选****

1、如果还模糊,可以点击link
在这里插入图片描述
发现挺直观的
在这里插入图片描述
2、关于out_channel
当令其=2的时候,会用两个卷积核对输出进行卷积。
当然这两个卷积核里面的东西是可以不一样的

在这里插入图片描述

二、代码实践:

1、

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


dataset=torchvision.datasets.CIFAR10("./P18_juanji_data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
//这里CIFAR10返回的结果就是imgs,targets//
//这里复习 dataset用法,同目录创建文件夹,下载测试集,转换成tensor类型,下载//

dataload=DataLoader(dataset,batch_size=64)
//dataloader作用=抓牌,一次64//

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.conv1 =Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)
//定义函数,输入是三通道,6个卷积核计算,卷积核大小3×3,步长为1//

    def forward(self,x):
        x=self.conv1(x)
        return x

tudui=Tudui()
//实例化//
print(tudui)

看下结果

Using downloaded and verified file: ./P18_juanji_data\cifar-10-python.tar.gz
Extracting ./P18_juanji_data\cifar-10-python.tar.gz to ./P18_juanji_data
Tudui(
  (conv1): Conv2d(3, 6, kernel_size=(3, 3), stride=(1, 1))
)

可见有个神经网络叫tudui
里包含了一个卷积层叫 conv1,卷积层里参数见上文

2、在上面的基础上使用tudui

for data in dataload:
    imgs,targets=data
    output=tudui(imgs)
    print(imgs.shape)
    print(output.shape)

可以看到通道从imgs输入的3变成了
output的6

经过卷积操作后,图像变成了30×30
在这里插入图片描述

3、为了进一步感受,我们用SummarWriter来看下:

import torch
import torchvision
from torch.utils.data import DataLoader
from torch import nn
from torch.nn import Conv2d
//新加//
from torch.utils.tensorboard import SummaryWriter

dataset=torchvision.datasets.CIFAR10("./P18_juanji_data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataload=DataLoader(dataset,batch_size=64)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.conv1 =Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)

    def forward(self,x):
        x=self.conv1(x)
        return x
tudui=Tudui()
print(tudui)

//新加。//
writer= SummaryWriter("P18_logs")
step=0

for data in dataload:
    imgs,targets=data
    output=tudui(imgs)

    writer.add_images("input_imgs",imgs,step)
    writer.add_images("output",output,step)
    step=step+1

结果报错辣
在这里插入图片描述
主要原因在于:
add_imgs通道要求是3
而我们的output通道数是6

修改方案:
举例子:
1、本来是如图所示的 叠加两个channel:
在这里插入图片描述

2、现在我们想让他变成1个channel,那就可以拼接,成一个大块,这样的话batchsize会增多:
在这里插入图片描述

**3、代码:**但是具体batchsize增多到多少我们不知道,所以可以先改成-1
在这里插入图片描述

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

dataset=torchvision.datasets.CIFAR10("./P18_juanji_data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataload=DataLoader(dataset,batch_size=64)


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.conv1 =Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)

    def forward(self,x):
        x=self.conv1(x)
        return x


tudui=Tudui()
print(tudui)

writer= SummaryWriter("P18_logs")
step=0

for data in dataload:
    imgs,targets=data
    output=tudui(imgs)
    writer.add_images("input_imgs",imgs,step)
    
//这里关键//
    output=torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)
    step=step+1

writer.close()

终端:
在这里插入图片描述
ok我们看下结果:

可以观察到outpout变成好多不只64张了
在这里插入图片描述

三、其他补充:

在这里插入图片描述

另外:以VGG为例:
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值