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: