神经网络-基本骨架与卷积层

一、基本骨架-nn.Module

(1)看官网解释文档

 神经网络定义的模板：

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

class Model(nn.Module):
# 初始化
    def __init__(self):
        super().__init__() #调用初始化
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):# 反向传播
# 经过两次 卷积（conv）+非线性（relu）处理
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

（2）代码示例

（3）从程序开始执行处加断点，进行debug。查看具体流程

 首先，为了调用Swagkg()，进行module初始化

 完成之后，生成一个Swagkg（）神经网络：

 创建一个输入：x，放到神经网络Swagkg（）中

然后，x进入到forward函数中：

 进行处理之后，output变成了2：

 然后，返回output，并将output的值进行打印：

 二、卷积操作

torch.nn对torch.nn.functional进行了一个封装，为了更细致的了解卷积的操作，还是通过functional进行学习：

• torch.nn.functional

（1）查看官方文档

 （stride中：sH是控制横向步径，sW是控制纵向步径，default为1是 横纵都走一步）

（2）卷积过程示例

设置输入矩阵还有卷积核：

 结果中只显示2个尺寸数值，但是官方文档中，尺寸数值有4个。使用torch提供的一个尺寸变换：

 尺寸转变好之后，接下来就可以运行functional提供的卷积conv2了：

# stride分别为1和2

# padding：在图像的左右两边是否会进行一个填充，决定填充的大小（填充的值都为0），默认情况是不进行填充的。

 三、卷积层

看官方文档：

代码实例：

（1）神经网络设置

把dataloader中的数据放入神经网络swagkg中，输出数据的尺寸

 接下来看下，in_channels对于原输入图像有没有变化。经过卷积图像操作，out_inchannels变成6，大小变成30x30：

使用 tensorboard显示：

 结果显示：

 重要公式：