小土堆pytorch学习笔记 之神经网络基本骨架

pytorch 之神经网络基本骨架

[!TIP]
首先来补补一些图像处理的基础知识吧！（尊嘟是 0 基础了）

关于图片格式

1. 高度（Height）：图像的垂直尺寸，即图像从上到下的像素数量。
2. 宽度（Width）：图像的水平尺寸，即图像从左到右的像素数量。
3. 通道（Channels）：图像的颜色信息，最常见的是 RGB（红、绿、蓝）三通道。每个通道代表图像在特定颜色维度上的强度。

• 批量处理：深度学习模型通常一次处理多个图像，这被称为批量（batch）。因此，图像数据通常被组织成四维数组，即（批量大小，通道数，高度，宽度）。
• 统一输入格式：为了使模型能够处理来自不同来源的图像，需要将图像数据转换为统一的格式。这包括调整图像大小（高度和宽度）以及归一化像素值。
• 通道顺序：在某些深度学习框架中，通道顺序可能是（批次大小，高度，宽度，通道数），这要求在处理图像数据时注意通道顺序。

torch.nn 官网介绍：https://pytorch.org/docs/stable/nn.html#module-torch.nn

基本骨架——nn.Nodule()

torch.nn.module 是所有神经网络模块的基类，这就意味着设计的神经网络必须继承 module

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module):
    #重写初始化函数
    def __init__(self):
        super().__init__()       #父类初始化
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)
    #forward 函数是一个在神经网络模块中定义的特殊方法，它指定了模块的前向传播逻辑。当你创建一个自定义的神经网络类时，你需要重写 forward 方法来定义数据通过网络的方式。
    def forward(self, x):
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

卷积层——nn.Conv2d()

[!TIP]
一些疑问：
卷积层的作用？
卷积核是自动生成的?不需要我来定义值嘛？
跟信号与系统中的卷积有什么区别与联系？

torch.nn.Conv2d(_in_channels_