利用Pytorch框架实现简单的卷积层和池化层使用（新手笔记）

深度学习的nora

已于 2023-07-21 15:30:53 修改

阅读量514

点赞数 2

文章标签： pytorch 人工智能 python 卷积神经网络

于 2023-07-21 15:24:25 首次发布

本文链接：https://blog.csdn.net/weixin_61985044/article/details/131852387

版权

一、卷积层的使用

利用pytorch中的nn可以实现卷积层

1、生成随机数据

先利用randn随机生成一组3维数据x，x是维度为2×9×9的数据（如下面的代码）

2、创建卷积层

第一个参数需要与数据的通道数保持一致（即2×9×9中的2），所以我写的是x.shape[0]

第二个参数是输出通道数，也就是卷积核的组数，即需要输出的特征图个数

第三个参数是卷积核大小，一定要小于等于数据的大小（小于2×9×9中的9）否则无法计算

第四个是步长，表示以什么间隔移动

第五个是填充

第六个是是否有偏置，如果需要则为True

3、运用卷积层进行计算

运用卷积层的方法非常简单，如代码所示。

所用代码如下。

import torch.nn as nn
import torch

x = torch.randn(2, 9, 9) #创建随机数据
m = nn.Conv2d(x.shape[0], 3, 3, stride=1, padding=0, bias=True) # 创建卷积层
output = m(x) # 运用卷积层计算

print(x)
print(output)

二、池化层的使用

与卷积层的实现方式相似

1、创建随机数据

这里的数据依旧为x。

2、创建最大池化层

第一个参数为卷积核大小，如果用的是2维池化，卷积核大小为3×3；如果是1维池化，卷积核大小为1×3

对于1维2维池化层的理解可以参考这篇博客：1维2维最大池化层理解

3、运用池化层计算

与卷积层的运用相似

所用代码如下

import torch.nn as nn
import torch

x = torch.randn(2, 9, 9) #创建随机数据
p = nn.MaxPool2d(3, stride=2) # 创建最大池化层，我用的2维最大池化
output_2 = p(x) # 运用池化层计算
print(output_2)

两种不同的层的使用方法类似，主要还是因为pytorch框架的便捷性。