系列文章目录

1. pytorch学习1-数据加载以及Tensorboard可视化工具
2. pytorch学习2-Transforms主要方法使用
3. pytorch学习3-torchvisin和Dataloader的使用
4. pytorch学习4-简易卷积实现
5. pytorch学习5-最大池化层的使用
6. pytorch学习6-非线性变换（ReLU和sigmoid）
7. pytorch学习7-序列模型搭建
8. pytorch学习8-损失函数与反向传播
9. pytorch学习9-优化器学习
10. pytorch学习10-网络模型的保存和加载
11. pytorch学习11-完整的模型训练过程

---

---

一、简易nn

class MyNN(nn.Module):#创建一个神经网络，需要继承nn.Moudledef __init__(self, ):super().__init__()def forward(self,input):output=input+1#这个nn的作用就是把输入自增一return output
mynn=MyNN()
x=torch.tensor(1.0)
output=mynn(x)
print(output)

二、简简易卷积

input=torch.tensor([#原始图像[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([#卷积核[1,2,1],[0,1,0],[2,1,0],
])
input=torch.reshape(input,(1,1,5,5))#torch卷积操作要求数据有四个参数，批次、通道数、高、宽，而原始的input这里只有高和宽两个参数，所以需要reshape这个转换函数来将数据转换为想要的
kernel=torch.reshape(kernel,(1,1,3,3))
print(input.shape)
print(kernel.shape)#conv2d代表二维卷积，还有一维三维等等
output=F.conv2d(input,kernel,stride=1,padding=1)#进行卷积操作,padding=1代表进行一行列0填充，默认为0，不填充
print(output)

三、简易卷积

dataset=torchvision.datasets.CIFAR10("../data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader=DataLoader(dataset,batch_size=64)#这行代码将整个数据集分割成许多批，每一批有64个样本
class Mynn2(nn.Module):def __init__(self, ) :super(Mynn2,self).__init__()self.conv1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)#out_channels代表输出的通道数（也就是代表经过卷积之后输出多少个图像（每一张图像都由一个卷积核生成，所以这个输出通道数也间接代表了有几个卷积核））def forward(self,x):x=self.conv1(x)#进行卷积操作return  x
mynn2=Mynn2()
#print(mynn2)#查看网络结构
writer=SummaryWriter("logs")
step=0
for data in dataloader:imgs,target=dataoutput=mynn2(imgs)print(imgs.shape)print(output.shape)#这两行可以看出，输入的3通道输出变成了6通道writer.add_images("我是输入",imgs,step)output=torch.reshape(output,(-1,3,30,30))#这个是因为，输出通道有六个，无法显示，那么可以将输出修改为3个通道，和输入一样，这个函数有四个参数，第一个参数设置为-1就会自动计算合适值writer.add_images("我是输出",output,step)step=step+1
writer.close()

总结

以上就是今天要讲的内容，从易到难进行简易卷积实现