Pytorch使用笔记

记录&总结一下自己写model时需要用到的函数。官方文档
pytorch-lightning
torchvision

nn.Module

CNN

torch.nn.Conv1d

torch.nn.Conv1d(in_channels, #int 输入信号的通道
				out_channels, # int 卷积产生的通道
				kernel_size, # int/tuple 卷积核的尺寸
				stride=1, #int/tuple, opt卷积步长
				padding=0, #int/tuple, opt 输入的每一条边补充0的层数
				dilation=1, #int/tuple, opt 卷积核元素之间的间距
				groups=1, #int, opt 从输入通道到输出通道的阻塞连接数
				bias=True # bool, opt 如果bias=True，添加偏置)

shape
输入: $(N,C_{in},L_{in})$
weight: $(C_{out},C_{in},k\_s)$ Cout个卷积核并行运算
输出: $(N,C_{out},L_{out})$
$$L_{out}=[L_{in}+2p-d(k\_s-1)-1]/s+1$$
con1d的输入输出的计算方式
Example

# [1,5,7] 卷积核[2，5，3] = [1, 3, 6]
a = torch.ones(1,5,7)
b = nn.Conv1d(in_channels=5, out_channels=3, kernel_size=2)(a)
print(b.size()) #torch.Size([1, 3, 6])

torch.nn.Conv2d

torch.nn.Conv2d(in_channels, 
				out_channels, 
				kernel_size, 
				stride=1, 
				padding=0, 
				dilation=1, 
				groups=1, 
				bias=True)

参数kernel_size，stride,padding，dilation

1. 可以是一个int的数据，此时卷积height和width值相同;
2. 可以是一个tuple数组，tuple的第一维度表示height的数值，tuple的第二维度表示width的数值

shape
输入: $(N,C_{in},H_{in},W_{in})$
weight: $(C_{out},C$