Pytorch深度学习-神经网络-卷积层（小土堆）

• 主要为Conv2d->2D卷积

Conv2d详细

1. 查询官网https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d
2. API

torch.nn.Conv2d（in_channels， out_channels， kernel_size， stride=1， padding=0， dilation=1， groups=1， bias=True， padding_mode='zeros'， device=None， dtype=None）

3. 参数

1. in_channels （int） – 输入图像中的通道数
2. out_channels （int） - 卷积产生的通道数
3. kernel_size （int or tuple） – 卷积内核的大小
4. stride （int 或 tuple，可选） - 卷积的步幅。默认值：1
5. padding （int， tuple or str， 可选） – 添加到输入的所有四个边的填充。默认值：0
6. padding_mode （str， 可选） - 'zeros','reflect','circular'。默认值：'zeros'
7. dilation （int or tuple， 可选） - 内核元素之间的间距。默认值：1
8. groups （int， 可选） - 从输入通道到输出通道的阻塞连接数。默认值：1
9. bias （bool， 可选） - 如果 `True` ，则在输出中添加可学习的偏差。默认： `True`

4. 官网直观图片网址：https://github.com/vdumoulin/conv_arithmetic/blob/master/README.md
5. 代码示例

'''
原图片： torch.Size([64, 3, 32, 32])
卷积后图片： torch.Size([64, 6, 30, 30])
'''
import torch  
import torchvision  
from torch.utils.data import DataLoader  
import torch.nn as nn  
from torch.nn import Conv2d  
  
dataset = torchvision.datasets.CIFAR10("./datasets",train=False,transform=torchvision.transforms.ToTensor(),download=True)  
  
dataloader = DataLoader(dataset,batch_size=64)  
  
class conv_test(nn.Module):  
  
    def __init__(self, *args, **kwargs) -> None:  
        super().__init__(*args, **kwargs)  
        #这里传入的是图片，所以输出通道是3  
        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  
  
test1 = conv_test()  
for data in dataloader:  
    imgs,targets = data  
    output = test1(imgs)  
    print("原图片：",imgs.shape)  
    print("卷积后图片：",output.shape)