二维卷积——torch.nn.conv2d的使用

首先打开官方函数，查看conv2d的使用方法。

conv函数由三个必填的参数，

        in_channels指输入的通道数，out_channels指输出的通道数，kernel_size是指的卷积核的核心数，

还有一些非必填的参数。例如padding和stride参数，这两个参数的详细作用如下图所示。

stride控制的是卷积一次能经过几个矩阵的行和列，padding则是对要处理的数据进行一次填充。

1.padding=0、stride=0的情况。

2.padding=2、stride=0的情况。

https://github.com/vdumoulin/conv_arithmetic/blob/master/gif/arbitrary_padding_no_strides.gif

3.padding=1、stride=0的情况。

conv_arithmetic/same_padding_no_strides.gif at master · vdumoulin/conv_arithmetic · GitHub

对于2维卷积更多详细演示图的github链接：

conv_arithmetic/README.md at master · vdumoulin/conv_arithmetic · GitHub

通过debug代码，可以看到我们的图片通道数由3通道被转成了6通道，但是在最后添加到tensorboard中的时候，需要转换成3通道，因此使用torch.reshape进行转换。

#coding=utf-8
#主要学习torch.nn.conv2d()
import torch
import torchvision
from torch.utils.data import DataLoader
from PIL import Image
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10("./dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset,batch_size=64)

class this_network(torch.nn.Module):
    def __init__(self):
        super(this_network,self).__init__()
        self.conv1 = torch.nn.Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)
    
    def forward(self,x):
        x = self.conv1(x)
        return x

init_network = this_network()
print(init_network)
writer = SummaryWriter("./logs")

step = 0
for data in dataloader:
    imgs,targets = data
    output = init_network(imgs)
    #print(imgs.shape)
    #print(output.shape)

    #使用tensorboard进行数据浏览
    writer.add_images("input",imgs,step)
    output = torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)
    step = step + 1
    

效果图