【pytorch学习】土堆pytorch学习笔记2
说明
主要以https://www.morinha.cc/posts/courses/pytorch-%E5%B0%8F%E5%9C%9F%E5%A0%86的内容为基础，没有的或者自己不是很清楚的再补充上内容，该贴有的内容大部分不再加入进来
新增的更全的参考：
https://2048.csdn.net/6801fc28e98581517972bb50.html
卷积操作–torch.nn.function
卷积分为不同的层，如con1、con2等
以二层卷积为例，具体的参数可查看官方文档
卷积操作主要就是用卷积核（weight）与原始数据进行计算，再加上其他的操作，最后得到一个新的输出
代码示例：
output3 = F.conv2d(input, kernel, stride=1, padding=1)
print(output3)
output3 就是 卷积神经网络模型计算后的 输出，
input是输入的数据，在此为一个二维数组，代表一张图片
kernel表示卷积核，同input形状，也是一个二维数组，并且两者的形状都要有四个维度，否则要进行reshape
stride表示步长
padding表示周围填充几层，填充的默认值是0
输入维度要求
注意要求输入的要求：(批大小，通道数，高，宽)
神经网络–卷积层（torch.nn.conv）
其实就是对nn.function的进一步封装
如nn.Conv2d(),最常用的是这五个参数：in_channels、 out_channels、kernel_size、stride、 padding
实例：
#在初始化方法中定义进行卷积操作
self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)
in_channels=3：三通道输入（彩色图片）
out_channels=6：输出是六通道（6层），即生成6个卷积核
kernel_size=3：每个卷积核的维度是3*3
stride=1：步长为1,卷积核中心移动的步长
padding=0：不进行填充
import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from urllib3.filepost import writerdatset = torchvision.datasets.CIFAR10("data",train=False,transform=torchvision.transforms.ToTensor(),download=True)dataloader = DataLoader(datset, batch_size=64)class Tudui(nn.Module):def __init__(self):super().__init__()self.conv1 = nn.Conv2d(in_channels=3, out_channels=6,kernel_size=3,stride=1, padding=0)def forward(self, x):x = self.conv1(x)return xtudui = Tudui()
# print(tudui)writer = SummaryWriter("logs")
step = 0
for data in dataloader:if step == 1:breakimgs, targets = dataoutput = tudui(imgs) # torch.Size([64, 6, 30, 30])# print(imgs.shape)# print(output.shape)writer.add_images("input", imgs, step) # torch.Size([64, 3, 32, 32])# 第一个值不知道写什么所以写的-1,会自动调整output = torch.reshape(output, (-1, 3, 30, 30))print(output.shape) # 调整后变成了torch.Size([128, 3, 30, 30])writer.add_images("output", output, step) step = step + 1writer.close()
池化
最大池化层的步长默认大小为kernel_size
ceil 允许有出界部分；floor 不允许.ceil_mode =True时 为ceil
nn.MaxPool2d(kernel_size=3,ceil_mode=False)
非线性激活（Non-linear Activations）
非线性变换的主要目的就是给网中加入一些非线性特征，
非线性越多才能训练出符合各种特征的模型。常见的非线性激活：
ReLU：主要是对小于0的进行截断（将小于0的变为0），图像变换效果不明显
主要参数是inplace：
inplace为真时，将处理后的结果赋值给原来的参数；为假时，原值不会改变。
SIGMOID： 归一化处理
效果没有ReLU好，但对于多分类问题，必须采用sigmoid