pytorch-＞conv2d卷积的简单应用

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(
'./data',
train=False,
transform =torchvision.transforms.ToTensor(),
download=True

)
dataloader =DataLoader(dataset,batch_size=64)
class Tudui(nn.Module):
def __init__(self):
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
tudui=Tudui()
writer =SummaryWriter('logs/p18')
step=0

for data in dataloader:
imgs,targets=data
output =tudui(imgs)
writer.add_images('input',imgs,step)
output=torch.reshape(output,(-1,3,30,30))
writer.add_images('output',output,step)
step+=1
if step>5:
break
writer.close()
print('完成')

1.Conv2d：Conv2d 是 2D Convolution（二维卷积） 的缩写，是用一个"小窗口"在图片上滑动，提取局部特征。

2.CIFAR10:

数据集长什么样

3.train=False,
    transform =torchvision.transforms.ToTensor(),

train:True是训练集，False是测试集

torchvision.transforms.ToTensor(),把图片张量化，

4.dataloader =DataLoader(dataset,batch_size=64)，所有图片64个分成一组

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

        进行卷积操作，n_channels=3,out_channels=6，输入通道是3，输出通道是6

        输入三个通道是RGB三原色，输出的6个通道是用6个卷积核提取的6个特征

        kernel_size=3：卷积核是3*3，注意：卷积核也可以是长方形，比如识别人的时候长方形可能更好用，

        stride=1：步长是1，意思是卷积核从左到右，从上到下每次动一格扫描完整个图片

        padding=0：

例如

原图：5×5

text

[1][2][3][4][5]
[6][7][8][9][10]
[11][12][13][14][15]
[16][17][18][19][20]
[21][22][23][24][25]

如果 padding=0，意思是不填充边缘，那么卷积核3*3只能存在

7 ，  8，  9，

12，13，14，

17，18，19的位置

这么说不准确，但我理解就是卷积核中心只能在这9个位置，原来5*5的图片会变成3*3

如果padding=1，那么

填充后的图片：7×7
[0][0][0][0][0][0][0]
[0][1][2][3][4][5][0]
[0][6][7][8][9][10][0]
[0][11][12][13][14][15][0]
[0][16][17][18][19][20][0]
[0][21][22][23][24][25][0]
[0][0][0][0][0][0][0]

卷积核中心就可以取到1到25，这样卷积后图片大小不变，图片也不丢失信息

6.for data in dataloader:

imgs,targets=data

        dataloader是迭代器，总共10000张图片，一次给你一组64张图片，data就是其中一组

   # imgs: [64, 3, 32, 32] ← 64张图，3通道RGB，像素32*32
#  targets: [64] ← 64个标签

7.output =tudui(imgs)

writer.add_images('input',imgs,step)

output=torch.reshape(output,(-1,3,30,30))

writer.add_images('output',output,step)

        output =tudui(imgs)， 把64张图片放进卷积网络

        writer.add_images('input',imgs,step)，原图片在tensorboard上显示

        output=torch.reshape(output,(-1,3,30,30))，改变形状，正常输出是

# 输入：imgs.shape = [64, 3, 32, 32]
# 经过卷积：Conv2d(3→6, 3×3, stride=1, padding=0)
# 输出：output.shape = [64, 6, 30, 30]

由于padding=0，卷积核没法扫描边缘，所以上下左右像素丢失一行，成了30*30

tensorboard只能输出3通道，所以reshape=3，

-1是让pytorch自己算，保证图片大小一致，一张图片 = 通道数 × 每个通道的大小，这道题中-1就是128