PyTorch⑤---卷积神经网络_卷积层

Demo

经过 卷积—非线性激活—卷积—非线性激活

import torch
from torch import nn


class Demo(nn.Module):
    def __init__(self) -> None:
        super().__init__()
    def forward(self,input):
        output=input+1
        return output
#实例化
demo=Demo()
x=torch.tensor(1.0)
output=demo(x)
print(output)

输出：

卷积神经网络_卷积层

卷积：

卷积层函数：torch.nn.Conv2d()
参数：

具体含义：

in_channels:输入通道数，一般为3
out_channels:输出通道数
kernel_size:卷积核大小，输入3，即为33，也可以输入元组
stride:步长，一般为1，输入1，即为11，也可以输入元组
padding:填充数，也可以输入元组
padding_mode:用什么填充，一般为0
dilation:空洞卷积

输入输出通道数：
使用几个卷积核就获得几个特征图，把这几个特征图看成一个新的图像。

N:bach_size
C:channel
H:高
W:宽

import torch
import torch.nn.functional as F
#连续的中括号数,有几个连续的就是几维
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]
                     ])
input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))
print(input.shape)
print(kernel.shape)


print("--------------------------------------")
output=F.conv2d(input,kernel,stride=1)
print(output)

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

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

结果：

这里表示input、output必须是四维的。batch_size,channel.high,width。新版pytorch没有batchz-size也可以。

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("./dataset_CIFAR10",train=False,transform=torchvision.transforms.ToTensor(),
                                     download=True)
dataloader=DataLoader(dataset,batch_size=64)

class Demo(nn.Module):
    def __init__(self) -> None:
        super().__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

demo=Demo()
print(demo)
print("---------------------------------------------------------------------")

writer=SummaryWriter("../logs_nn")
step=0
for data in dataloader:
    #遍历获取data,输入
    imgs,targets=data
    #经过神经网络训练后输出
    output=demo(imgs)
    print('经过神经网络前图片的形状:{}'.format(imgs.shape))
    print('经过神经网络后图片的形状:{}'.format(output.shape))
    print("-------------------------------------------------------------")
    #torch.Size([64, 3, 32, 32])3通道，可以用tensorboard输出
    writer.add_images("input",imgs,step)

    #torch.Size([64, 6, 30, 30])6通道，不可以用tensorboard输出，强制reshape
    # -1代表自己计算bech_size
    output=torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)
    step=step+1
writer.close()

共10000张图片，一次打包64张。共10000/64步。
结果：


如果论文没有注明输出图像的尺寸，用以下公式进行计算：