P18 神经网络专题——卷积层

再来读文档

inchannel 输入通道数
outchannel 输出通道数（卷积核个数）
kernel_size 卷积核大小
stride=1 卷积过程路径大小
padding 卷积过程是否进行padding操作
dilation 卷积核中的对应位距离
groups分组卷积一般为 1
bias偏置 一般为True
padding_mode=一般默认是0

一、概念讲解L:

inchannel 输入通道数 一般彩色是3通道

outchannel 输出通道数

kernel_size 卷积核大小 一般数字或元组。如果设3，那就是3×3的卷积核 也可以用元组（1，2）1×2

stride=1 卷积过程（横纵向）路径大小

padding 卷积过程是否进行padding操作

dilation 卷积核中的对应位距离 不常用

groups分组卷积一般为 1

bias偏置 一般为True

padding_mode=一般默认是0

卷积核的值会根据分布选****

1、如果还模糊，可以点击link

发现挺直观的

2、关于out_channel
当令其=2的时候，会用两个卷积核对输出进行卷积。
当然这两个卷积核里面的东西是可以不一样的

二、代码实践：

1、

import torch
import torchvision
from torch.utils.data import DataLoader
from torch import nn
from torch.nn import Conv2d


dataset=torchvision.datasets.CIFAR10("./P18_juanji_data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
//这里CIFAR10返回的结果就是imgs,targets//
//这里复习 dataset用法，同目录创建文件夹，下载测试集，转换成tensor类型，下载//

dataload=DataLoader(dataset,batch_size=64)
//dataloader作用=抓牌，一次64张//

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.conv1 =Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)
//定义函数，输入是三通道，6个卷积核计算，卷积核大小3×3，步长为1//

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

tudui=Tudui()
//实例化//
print(tudui)

看下结果

Using downloaded and verified file: ./P18_juanji_data\cifar-10-python.tar.gz
Extracting ./P18_juanji_data\cifar-10-python.tar.gz to ./P18_juanji_data
Tudui(
  (conv1): Conv2d(3, 6, kernel_size=(3, 3), stride=(1, 1))
)

可见有个神经网络叫tudui
里包含了一个卷积层叫 conv1，卷积层里参数见上文

2、在上面的基础上使用tudui

for data in dataload:
    imgs,targets=data
    output=tudui(imgs)
    print(imgs.shape)
    print(output.shape)

可以看到通道从imgs输入的3变成了
output的6
经过卷积操作后，图像变成了30×30

3、为了进一步感受，我们用SummarWriter来看下：

import torch
import torchvision
from torch.utils.data import DataLoader
from torch import nn
from torch.nn import Conv2d
//新加//
from torch.utils.tensorboard import SummaryWriter

dataset=torchvision.datasets.CIFAR10("./P18_juanji_data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataload=DataLoader(dataset,batch_size=64)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__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()
print(tudui)

//新加。//
writer= SummaryWriter("P18_logs")
step=0

for data in dataload:
    imgs,targets=data
    output=tudui(imgs)

    writer.add_images("input_imgs",imgs,step)
    writer.add_images("output",output,step)
    step=step+1

结果报错辣

主要原因在于：
add_imgs通道要求是3
而我们的output通道数是6

修改方案：
举例子：
1、本来是如图所示的 叠加两个channel：

2、现在我们想让他变成1个channel，那就可以拼接，成一个大块，这样的话batchsize会增多：

**3、代码：**但是具体batchsize增多到多少我们不知道，所以可以先改成-1

import torch
import torchvision
from torch.utils.data import DataLoader
from torch import nn
from torch.nn import Conv2d
from torch.utils.tensorboard import SummaryWriter

dataset=torchvision.datasets.CIFAR10("./P18_juanji_data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataload=DataLoader(dataset,batch_size=64)


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__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()
print(tudui)

writer= SummaryWriter("P18_logs")
step=0

for data in dataload:
    imgs,targets=data
    output=tudui(imgs)
    writer.add_images("input_imgs",imgs,step)
    
//这里关键//
    output=torch.reshape(output,(-1,3,30,30))
    writer.add_images("output",output,step)
    step=step+1

writer.close()

终端：

ok我们看下结果：

可以观察到outpout变成好多不只64张了

三、其他补充：

另外：以VGG为例：