3.pytorch学习：conv2d——2d卷积

目录

自建一个tensor理解卷积

加入图像数据集

tensorboard查看卷积后的图片

自建一个tensor理解卷积

import torch
from torch import nn

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]],
                      [[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]],
                      [[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]]], dtype=torch.float32)
print(input.shape)
input = torch.reshape(input, (-1, 3, 5, 5))
print(input.shape)


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

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


zidingyi = ZiDingYi()
print(zidingyi)

output = zidingyi(input)
print(output)

自创一个tensor张量，为了与图像相符合，采用了三通道、高与宽的形式。

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]],
                      [[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]],
                      [[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]]], dtype=torch.float32)
print(input.shape)
input = torch.reshape(input, (-1, 3, 5, 5))
print(input.shape)

注意的点1：

输入的整数系统默认识别为长整型（long），这种数据类型神经网络不能接收，必须强制转换为浮点型，其中torch下给出了浮点型的数据类型。

dtype=torch.float32

注意的点2：

不知道新增维度的值时可以给-1让系统自己运算。