PyTorch⑤---卷积神经网络_卷积层

卷积神经网络_卷积层

卷积层函数：torch.nn.Conv2d()

参数：

in_channels:输入通道数，一般为3
out_channels:输出通道数
kernel_size:卷积核大小，输入3，即为33，也可以输入元组
stride:步长，一般为1，输入1，即为11，也可以输入元组
padding:填充数，也可以输入元组
padding_mode:用什么填充，一般为0
dilation:空洞卷积

N:bach_size
C:channel
H:高
W:宽
这里表示input、output必须是四维的。

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("dataset_CIFAR10",train=False,transform=torchvision.transforms.ToTensor(),
                                     download=True)
dataloader=DataLoader(dataset,batch_size=64)

class Demo(nn.Module):
    def __init__(self) -> None:
        super().__init__()
        self.conv1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)

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

demo=Demo()
print(demo)
print("---------------------------------------------------------------------")

writer=SummaryWriter("logs_nn")
step=0
for data in dataloader:
	#获取到数据集
    imgs,targets=data
    #经过卷积层输出，torch.Size([64, 3, 32, 32])，是4维
    output=demo(imgs)
    print(imgs.shape)
    print(output.shape)
    print("-------------------------------------------------------------")
    #torch.Size([64, 3, 32, 32])3通道，可以用tensorboard输出
    writer.add_images("input",imgs,step)

    #torch.Size([64, 6, 30, 30])6通道，不可以用tensorboard输出，强制reshape
    output=torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)
    step=step+1
writer.close()