神经网络-卷积层

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

dataset = torchvision.datasets.CIFAR10("CIFAR10",train=False,transform=torchvision.transforms.ToTensor(),download=True)
# 注意dataset中transform参数接收的是个对象，所以要加上括号,还有就是之后使用神经网络进行运算的时候需要的数据类型是tensor类型，所以transforms参数要加上。
dataloader = DataLoader(dataset,batch_size=64)

# 搭建一个简单的网络
class Booze(nn.Module):

    # 继承nn.Module的初始化
    def __init__(self):
        super().__init__()
        # 注意这里是创建一个全局变量所以要加上一个self 当out_channels远大于in_channels时需要对原图像进行扩充，也就是padding的值不能设为0了，需要根据公式
        
        self.conv1 = Conv2d(in_channels=3,out_channels=6,kernel_size=(3),stride=1,padding=0)

    # 重写forward函数
    def forward(self,x):
        x = self.conv1(x)
        return x


# 初始化网络
obj = Booze()
# 查看网络
print(obj)
''' Booze( (conv1): Conv2d(3, 6, kernel_size=(3, 3), stride=(1, 1)) ) '''

writer = SummaryWriter("logs")
step = 0

for data in dataloader:
    imgs,targets = data
    output = obj(imgs)
    # torch.Size([64, 3, 32, 32]) 64张3通道32X32的图片
    print(imgs.shape)
    # torch.Size([64, 6, 30, 30]) 64张6通道30X30的图片
    print(output.shape)

    # 使用tensorboard可视化 注意多张图片是要使用add_images而不是add_image
    writer.add_images("input",imgs,step)

    # 由于output是6通道数的无法显示，直接可视化会报错，所以我们需要对output进行reshape reshape的第二参数中当一个数未知时，你可以填入-1，他会自动帮你计算，为什么会未知呢？因为就是不知道填多少，填64的话肯定不行吧，然后改变通道数相当于把多余的像素给切出来了
    torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)
    step+=1

writer.close()

代码中需要注意和解释的点：

dataset = torchvision.datasets.CIFAR10("CIFAR10",train=False,transform=torchvision.transforms.ToTensor(),download=True)

注意dataset中transform参数接收的是个对象，所以要加上括号,还有就是之后使用神经网络进行运算的时候需要的数据类型是tensor类型，所以transforms参数要加上。

# 搭建一个简单的网络
class Booze(nn.Module):

    # 继承nn.Module的初始化
    def __init__(self):
        super().__init__()
        # 注意这里是创建一个全局变量所以要加上一个self 当out_channels远大于in_channels时需要对原图像进行扩充，也就是padding的值不能设为0了，需要根据公式

        self.conv1 = Conv2d(in_channels=3,out_channels=6,kernel_size=(3),stride=1,padding=0)

    # 重写forward函数
    def forward(self,x):
        x = self.conv1(x)
        return x

在搭建神经网络继承nn.Module的初始化的时候，创建变量创建的是全局变量，所以在变量前需要加上一个self。

self.conv1 = Conv2d(in_channels=3,out_channels=6,kernel_size=(3),stride=1,padding=0)

注意当out_channels远大于in_channels时需要对原图像进行扩充，也就是padding的值不能设为0了，需要根据公式计算，公式如下：

上图中input后面那个元组中四个元素分别代表的意义：

• 第一个元素代表batch_size
• 第二个元素代表图像通道数
• 第三个元素代表图像矩阵高度
• 第四个元素代表图像矩阵宽度

for data in dataloader:
    imgs,targets = data
    output = obj(imgs)
    # torch.Size([64, 3, 32, 32]) 64张3通道32X32的图片
    print(imgs.shape)
    # torch.Size([64, 6, 30, 30]) 64张6通道30X30的图片
    print(output.shape)

    # 使用tensorboard可视化 注意多张图片是要使用add_images而不是add_image
    writer.add_images("input",imgs,step)

    torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)
    step+=1

writer.close()

上述代码中的writer.add_images("output",output,step)运行前需要先将output降低通道数。由于output是6通道数的无法显示，直接可视化会报错，所以我们需要对output进行reshape 。
torch.reshape(output,(-1,3,30,30))reshape的第二参数中当一个数未知时，你可以填入-1，他会自动帮你计算，为什么会未知呢？因为就是不知道填多少，填64的话肯定不行吧，然后改变通道数相当于把多余的像素给切出来了。

上述代码运行完之后使用tensorboard查看效果：

从上面的图片可以看出output每个step的图片数量多于input每个step的图片数量，原因就是由于6通道数图片reshape成3通道数图片导致的batch_size的增加。