卷积层书写

最近在学土堆老师的pytorch入门系列教程，学到了卷积层书写部分，在这里做个小笔记

---

一、前言

这篇关于卷积层书写的文章是基于我前几天写的系列文章展开的。在这一部分要注意卷积层的输入通道和输出通道的变化。记得要reshape哟！

二、代码及注释理解

1.代码样例

代码如下（示例）：

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("./dataset",train=False,transform=torchvision.transforms.ToTensor(),download =True)                       #数据集
dataloader=DataLoader(dataset,batch_size= 64)         #数据加载

class Tudui(nn.Module):                               #构建Tudui这个类
    def __init__(self):                               #初始化
        super(Tudui,self).__init__()
        self.conv1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0) 
                                                      #定义好要用的卷积

    def forward(self,x):                              #前项通道如何行使卷积操作
        x=self.conv1(x)
        return x

tudui=Tudui()                                         #调用Tudui这个类
writer=SummaryWriter("p1")                            #可视化，保存在p1文件夹中
step=0                       
for data in dataloader:                               #从数据加载中取出一张张图片
    imgs,targets=data
    output=tudui(imgs)
    print(imgs.shape)
    print(output.shape)
    writer.add_images("input",imgs,step)              #将输入图片进行可视化
    writer.add_images("output",output,step)           #将输出图片进行可视化
    step=step+1
writer.close()

2.成果展示

运行时会报错，原因是通道数不对，大概样子如下所示。

 所以我需要进行改进，于是将输入通道数和输出通道数进行了变换，即reshape

代码如下：

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("./dataset",train=False,transform=torchvision.transforms.ToTensor(),download =True)  #数据集
dataloader=DataLoader(dataset,batch_size= 64)         #数据加载

class Tudui(nn.Module):                               #构建Tudui这个类
    def __init__(self):                               #初始化
        super(Tudui,self).__init__()
        self.conv1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0) 
                                                      #定义好要用的卷积

    def forward(self,x):                              #前项通道如何行使卷积操作
        x=self.conv1(x)
        return x

tudui=Tudui()                                         #调用Tudui这个类
writer=SummaryWriter("p1")                            #可视化，保存在p1文件夹中
step=0
for data in dataloader:                               #从数据加载中取出一张张图片
    imgs,targets=data
    output=tudui(imgs)
    print(imgs.shape)
    print(output.shape)
    writer.add_images("input",imgs,step)              #将输入图片进行可视化
    #torch.Size([64, 3, 32, 32])->[64, 6, 30, 30]
    output=torch.reshape(output,(-1,3,30,30))         #进行reshape,因为不能确定第一位数，所以就将第一位数赋值为-1
    writer.add_images("output",output,step)           #将输出图片进行可视化
    step=step+1
writer.close()

这时，可以正常输出输入通道和输出通道。如下所示。

---

 在tensorboard中input和output展示如下所示：

 

三、总结

以上所学内容是根据土堆老师视频做的笔记。神经网络-卷积层_哔哩哔哩_bilibili