【Pytorch】小土堆自学日记（六）

目录

一、神经网络的基本骨架-nn.Moudle的使用

1.torch.nn官方文档：

2.containers文档：

①Moudle的作用：

 ②Moudle的示例代码：

③forward函数官方解释：

二、卷积操作：

1.常用的卷积：

2.Conv2d

①使用方法：

②Stride参数理解：

③代码：

④padding参数讲解：

---

一、神经网络的基本骨架-nn.Moudle的使用

1.torch.nn官方文档：

先学习骨架containers，然后剩下的都是用来填充骨架的

2.containers文档：

①Moudle的作用：

②Moudle的示例代码：

主要有初始化函数和向前函数两个

③forward函数官方解释：

3.代码部分：

①重写两个函数，一种可以手写；

   另一种可以借助pycharm->code->generate->Override Methods重写方法->init函数->完成

②代码示例：

from torch import nn
import torch
#定义模版
class Tudui(nn.Module):
    def __init__(self):
        super().__init__()
    def forward(self,input):
        output=input+1
        return output


#创建神经网络
tudui = Tudui()
x = torch.tensor(1.0)
#传入值
output = tudui(x)
print(output)

 ③debug查看详情：

二、卷积操作：

1.常用的卷积：

2.Conv2d

①使用方法：

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor

#参数：

• input – 输入，尺寸要求(minibatch,in_channels,𝑖𝐻,𝑖𝑊)

• weight – 权重，尺寸要求 (out_channels,in_channels,𝑘𝐻,𝑘𝑊)

• bias – 偏置

• stride –卷积核，可以为单个数字or元组（sH，sW）-一个横向路径一个竖向路径

• padding-决定填充的有多大，可以为单个数字or元组（padH，padW）

• dilation 

• groups

②Stride参数理解：

a.有输入图像和卷积核

b.将输入图像的前三行和卷积核匹配：对应位相乘再相加

1x1+4+0+0+1+0+2+2+0=10，输出为10

c.假设Stride=(1,1)时，卷积核下一次走一步

2+0+3+0+2+0+4+1=12，输出为12

d.再右移，0+6+1+0+3+0+2+0+0=12

e.横向走完走纵向:18

f.最后输出：

[10,12,12,

 18,16,16,

 12, 9, 3]

③代码：

import torch
import torch.nn.functional as F
input = 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]])
#1batchsize,1chanel,5x5,要与官方要求输入一致
input = torch.reshape(input,(1,1,5,5))
kernel = torch.reshape(kernel,(1,1,3,3))
#第一步先求尺寸
print(input.shape)
print(kernel.shape)

output = F.conv2d(input,kernel,stride=1)
print(output)

（四维分别是：样本数，矩阵深度，高度，宽度）

④padding参数讲解：

a.padding = 1

b.代码示范：

import torch
import torch.nn.functional as F
input = 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]])
#1batchsize,1chanel,5x5,要与官方要求输入一致
input = torch.reshape(input,(1,1,5,5))
kernel = torch.reshape(kernel,(1,1,3,3))
#第一步先求尺寸
print(input.shape)
print(kernel.shape)

output = F.conv2d(input,kernel,stride=1)
print(output)

output2= F.conv2d(input,kernel,stride=1,padding=1)
print(output2)

c.填充后结果