【Pytorch】小土堆自学日记（七）-CSDN博客

本文链接：https://blog.csdn.net/weixin_52591187/article/details/140590100

一、conv2d官方文档

1、文档解释：

2、官方给的图片解释：

3、对于input_channel和output_channel的理解：

4、代码1：查看output

5、代码2：查看input_channel和output_channel

①主要作用：保持输入的特征，但同时把数据量减小

②实践代码：

③实践结果：

一、conv2d官方文档

1、文档解释：

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')

in_channels (int) – 输入图像的通道数，彩色图像三通道

out_channels (int) – 卷积后产生的输出通道数多少

kernel_size (int or tuple) – 卷积核大小，不规则可以用元组

stride (int or tuple, optional) – 横向纵向步径大小. Default: 1

padding (int or tuple, optional) – 图像边缘是否进行填充 Default: 0

padding_mode (string, optional) – 控制以什么样的方式填充'zeros', 'reflect', 'replicate' or 'circular'. Default: 'zeros'

dilation (int or tuple, optional) – 不常用. Default: 1

groups (int, optional) – Number of blocked connections from input channels to output channels. Default: 1

bias (bool, optional) – If True, adds a learnable bias to the output. Default: True

2、官方给的图片解释：

No padding是padding=0；

No strides是strides=1

3、对于input_channel和output_channel的理解：

如果In_channel为1，就会有两个卷积核，输出两个叠加的输出

4、代码1：查看output

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

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

#搭建简单神经网络
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        self.conv1 = Conv2d(3,6,3,stride=1,padding=0)

    def forward(self,x):#前向计算得出结果
        x=self.conv1(x)
        return x

tudui = Tudui()
print(tudui)

结果：

5、代码2：查看input_channel和output_channel

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

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

#搭建简单神经网络
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        self.conv1 = Conv2d(3,6,3,stride=1,padding=0)

    def forward(self,x):#前向计算得出结果
        x=self.conv1(x)
        return x

tudui = Tudui()
for data in dataloader:
    imgs,targets = data
    output = tudui(imgs)#把数据放到神经网络中去
    print(imgs.shape)#没有卷积前的大小
    print(output.shape)#卷积后

部分结果：

6、代码3在tensorboard中打开：

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

#搭建简单神经网络
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        self.conv1 = Conv2d(3,6,3,stride=1,padding=0)

    def forward(self,x):#前向计算得出结果
        x=self.conv1(x)
        return x

tudui = Tudui()
writer = SummaryWriter("../logs")
step = 0
for data in dataloader:
    imgs,targets = data
    output = tudui(imgs)#把数据放到神经网络中去
    print(imgs.shape)#没有卷积前的大小
    print(output.shape)#卷积后
    #torch.Size([64, 3, 32, 32])
    writer.add_images("input",imgs,step)
    #torch.Size([64, 6, 30, 30])
    output = torch.reshape(output,(-1,3,30,30))
    writer.add_images("ouput",output,step)

    step=step+1

结果：（输出是输入的2倍）

二、最大池化的使用

1、官网介绍：

①各类池化：

②最大池化详情文档：

torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

Parameters

kernel_size – 取最大值的窗口（int or tuple）

stride – 横向和纵向的路径大小（注意:默认值=kernel_size大小）

padding – 填充

dilation – 空洞卷积

return_indices – if True, will return the max indices along with the outputs. Useful for torch.nn.MaxUnpool2d late

ceil_mode – True-ceil模式，否则：floor模式（eg：2.31，floor-2，ceiling-3）

2、池化操作讲解：

①先设置3*3的池化核

②覆盖，取最大值（最大池化操作）

③移动，假设stride=默认值=3（kernel size大小）

此时已经超出区域：

a.ceil_mode=True,保留

b.ceil_mode=False,不保留（默认情况）