torch.nn神经网络（1）--卷积函数使用与卷积层

torch.nn神经网络

1.nn.Module神经网络的使用

首先导入所需的模板：

import torch
from torch import nn

定义一个类，使其继承于nn.Module类：
①定义初始化函数时需要先完成其父类的初始化操作。
②同时定义一个forward函数，进行神经网络正向传播的作用。

class ChenYu(nn.Module):
    def __init__(self):
        super().__init__()          #首先要完成父类的初始化

    def forward(self,input):            #forward表示正向传播
        output=input+1
        return output

定义完成后实例化这个类，并进行传参，即可实现：

chenyu=ChenYu()
x = torch.tensor(1.0)
output = chenyu(x)
print(output)

运行结果👇： 这里初始化x为tensor类型的值为1.0的属性，经过神经网络的正向传播完成+1操作后，最终返回的结果为2.0

tensor(2.)

2.torch.nn.functional的使用

在Pytorch官方文档中我们可以看到torch.nn.functional的介绍：
关于该函数的使用方法👇：

关于函数的参数定义👇：

tips:这里对各参数进行一个解释：

F.conv2d(input,kernel,stride=2,padding=1)
input 代表输入
kernel 代表用于计算的卷积核
stride 代表没卷积核移动的步大小
padding 代表周围用于补充的数据

我们想要构造一个卷积网络，使用Fonctional.conv2d()函数构造如下的卷积网络：

首先需要导入模块：

import  torch
import torch.nn.functional as F

定义输入图像的55的矩阵，及33的卷积核矩阵，使用torch.tenser()函数将其转化为tensor类型：

input = torch.tensor([[1,2,0,3,1],
                      [0,