神经网络-卷积层

        torch.nn.conv2d

        原理已经在上一篇进行解释

•  in_channels:输入图片通道数，rgb图片的通道数为3
• out_channels:卷积核的个数
• kernel_size：卷积核大小，int or tuple
• stride：步长.默认为1
• padding：填充行\列数，默认为0，不填充
• padding_mode：填充的方式，默认为0
• diliation：卷积核中心位置与四周的间隔，默认为1，2开始生效（下图），又叫空洞卷积
• groups：分组卷积，待补充……
• bias：偏置项，默认为True

 下面是一个简单的示例：

import torchvision
import torch.nn as nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

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


class model(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = Conv2d(3, 3, 3)

    def forward(self, x):
        x = self.conv1(x)
        return x


conv1 = model()

writer = SummaryWriter("log")

step = 1
for data in loader:
    img, target = data
    output = conv1(img)
    print(img.shape)
    print(output.shape)
    writer.add_images("input", img, step)
    writer.add_images("output", output, step)
    step += 1