Pytorch框架学习记录6——torch.nn.Module和torch.nn.functional.conv2d的使用

1. torch.nn.Module介绍

所有神经网络模块的基类。

你的模型也应该继承这个类。

模块还可以包含其他模块，允许将它们嵌套在树结构中。

注意：我们在使用nn.module构建神经网络时，需要在__init__()方法中对继承的Module类中的属性进行调用，因此在初始化方法中需要添加一句代码：

super().__init__()

import torch
from torch import nn


class Test(nn.Module):
    def __init__(self):
        super().__init__()


    def forward(self, input):
        output = input + 1
        return output

test = Test()
x = torch.tensor(1)
output = test(x)
print(output)

2. torch.nn.functional.conv2d介绍

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

在由多个输入平面组成的输入图像上应用 2D 卷积。

参数

• input – 形状的输入张量(minibatch ,in_channels , iH , iW)
• weight- 形状过滤器(out_channels, in_channels/groups , kH , kW)
• bias- 形状的可选偏差张量(out_channels). 默认：None
• stride——卷积核的步幅。可以是单个数字或元组(sH, sW)。默认值：1
• padding-输入两侧的隐式填充。可以是字符串 {‘valid’, ‘same’}、单个数字或元组(padH, padW)。默认值：0 padding='valid'与无填充相同。padding='same'填充输入，使输出具有与输入相同的形状。但是，此模式不支持 1 以外的任何步幅值。

import torch
from torch import nn
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]])
input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))
print(input)
print(kernel)
output = F.conv2d(input, kernel, stride=1, padding=1)
print(output)