神经网络的基本框架

import torch
import torch.nn as nn


class Model(nn.Module):
    def __init__(self) -> None:
        super().__init__()

    def forward(self, input):
        output = input + 1
        return output


model = Model()
x = torch.tensor(1.0)
output = model(x)
print(output)

首先，我们要用到torch.nn这个库，里面包含了神经网络的基本框架和卷积层，池化层等。基本流程就是先建立一个关于自己所要构造的神经网络模型类，该类要继承Module类，实行改写来得到自己的神经网络模型。

卷积函数：

 首先卷积函数来自于torch.nn.functional,我们一般常用con2d这个函数。

import torch
import torch.nn.functional as F

x = torch.tensor([[1, 2, 0, 3, 1],
                  [0, 1, 2, 3, 1],
                  [1, 2, 1, 0, 0],
                  [5, 2, 3, 1, 1],
                  [2, 1, 0, 1, 1]])

kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])

x = torch.reshape(x, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))
output = F.conv2d(x, kernel, stride=1, padding=1)
print(output)

conv2d这个函数的第一个参数为Input，输入的类型必须为张量，且尺寸要求为（minbatch，channel，H，W），第二个参数为kernel卷积核，输入的类型和尺寸如out_channels,in_channels​/groups,kH,kW，还有步长，padding和bias参数

卷积：

       用到了torch.nn里面的卷积类conv2d，

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

test_set = torchvision.datasets.CIFAR10("./datasets", train=False, transform=torchvision.transforms.ToTensor())
data_loader = DataLoader(test_set, batch_size=64)


class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=3, kernel_size=3, stride=1, padding=0)

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


my_model = Model()
writer = SummaryWriter("logs")
step = 0
for data in data_loader:
    imgs , target = data
    writer.add_images("imgs", imgs, step)
    output = my_model(imgs)
    writer.add_images("output", output,step)
    step = step + 1

首先，加载数据集，然后用dataloader对其进行批量处理，然后建了一个我们的神经网络框架，里面只包含一个卷积操作，conv2d类其构造方法包含参数有，输入通道，输出通道，卷积核大小（这里只需要给定卷积核大小就可以，里面的参数都是初始化好的，而且后面反向传播还是需要更新参数的），步长，padding,然后对类进行实例化，然后进行操作。