《Pytorch深度学习实践》P10 Basic CNN 卷积神经网络 笔记+代码+作业：Conv2d、MaxPool2d 和 Linear、课上6个代码、作业（绘网络结构图+代码）

b站的up主刘二大人的《PyTorch深度学习实践》P10 笔记+代码，视频链接。

---

目录

一、Conv2d、MaxPool2d、Linear

1. torch.nn.Conv2d

2. torch.nn.MaxPool2d

3. torch.nn.Linear

二、PPT上4个简单代码：维度、padding、stride、maxpooling

1、维度

2、padding

3、步长stride=2

4、maxpooling

三、MNIST 卷积神经网络

1、网络结构图：

2、MNIST代码：（CPU上）

3、使用GPU

四、作业：更改网络结构

1、网络设计图

2、 代码：

---

一、Conv2d、MaxPool2d 和 Linear

1. torch.nn.Conv2d

介绍：用于对二维输入（如图像）执行卷积操作。

主要参数：

• in_channels: 输入特征图的通道数（如 RGB 图像为 3，灰度图像为 1）。
• out_channels: 卷积层输出特征图的通道数，通常由卷积核的数量决定。
• kernel_size: 卷积核的大小，可以是单个整数（表示正方形）或元组（表示长方形），如 (3, 3)。
• stride: 卷积核移动的步幅，默认值为 1。
• padding: 输入特征图的边缘填充，默认值为 0。可以是单个整数或元组，影响输出尺寸。
• dilation: 卷积核元素之间的间距，默认值为 1。
• groups: 控制输入通道与输出通道之间的连接，默认值为 1。

使用示例：

conv_layer = torch.nn.Conv2d(in_channels=1,
                             out_channels=16,
                             kernel_size=3, 
                             stride=1, 
                             padding=1)

2. torch.nn.MaxPool2d

介绍：用于在二维输入上执行最大池化操作。

主要参数：

• kernel_size: 池化窗口的大小，可以是单个整数或元组。
• stride: 池化窗口的步幅，默认值为 kernel_size。
• padding: 输入特征图的边缘填充，默认值为 0。

使用示例：

max_pooling = torch.nn.MaxPool2d(kernel_size=2, stride=2)

3. torch.nn.Linear

介绍：用于执行全连接层（线性变换），将输入张量映射到输出张量。

主要参数：

• in_features: 输入特征的数量。
• out_features: 输出特征的数量。
• bias: 是否添加偏置项，默认值为 True。

使用示例：

linear_layer = torch.nn.Linear(in_features=128, out_features=64)

二、PPT上4个简单代码：维度、padding、stride、maxpooling

1、维度

import torch
in_channels, out_channels = 5, 10
width, height = 100, 100
kernel_size = 3
batch_size = 1

input = torch.randn(batch_size,
                     in_channels,
                     width,
                     height)
conv_layer = torch.nn.Conv2d(in_channels,
                             out_channels,
                             kernel_size=kernel_size)
# 未自定义，卷积核的权重会随机初始化
out_put = conv_layer(input)

print(input.shape)                  # torch.Size([1, 5, 100, 100])
print(out_put.shape)                # torch.Size([1, 10, 98, 98])
print(conv_layer.weight.shape)      # torch.Size([10, 5, 3, 3])

2、padding

import torch

input = [3,4,6,5,7,
         2,4,6,8,2,
         1,6,7,8,4,
         9,7,4,6,2,
         3,7,5,4,1]

input = torch.tensor(input, dtype=torch.float32).view(1, 1, 5, 5)

conv_layer = torch.nn.Conv2d(1, 1, kernel_size=3, padding=1, bias=False)
# 自定义卷积核权重
kernel = torch.tensor([1,2,3,4,5,6,7,8,9], dtype=torch.float32).view(1, 1, 3, 3)
conv_layer.weight.data = kernel.data

output = conv_layer(input)
print(output)

输出

tensor([[[[ 91., 168., 224., 215., 127.],
          [114., 211., 2