【pytorch】pytorch入门4：神经网络的卷积层
文章目录
- 前言
- 一、定义概念 + 缩写
- 二、性质
- 三、代码
- 总结
- 参考文献
前言
使用 B站小土堆课程的笔记
一、定义概念 + 缩写
- 卷积层是神经网络中用于突出特征来进行分类任务的层。
二、性质
- 卷积核例子：vgg16 model
三、代码
- 添加库
python代码块import os
import torch
import torchvision # torchvision 通常用于计算机视觉任务
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
- 下载/加载数据集，加载数据
# 这是一个类，用于下载和加载 CIFAR-10 数据集。CIFAR-10 是一个常用的小型图像数据集，用于训练机器学习和计算机视觉算法。它包含10个类别，每个类别有6000张32x32的彩色图像，总共有60000张图像。
# transform=torchvision.transforms.ToTensor() 转换格式
dataset = torchvision.datasets.CIFAR10("../data", train=False, transform=torchvision.transforms.ToTensor(),download=True)# load data
dataloader = DataLoader(dataset, batch_size=64)
- 定义类，搭建简单神经网络
# 搭建简单 NN
class Tudui(nn.Module):def __init__(self):# 继承super(Tudui, self).__init__()# initself.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)# 卷积层def forward(self, x):x = self.conv1(x) # convreturn x# create an example
tudui = Tudui()
- 加载到 tensorboard
# log writer, write to tensorboard
writer = SummaryWriter("../logs")
- 进行卷积
# init counter
step = 0# 循环进行卷积操作
for data in dataloader:imgs, targets = dataoutput = tudui(imgs) # def a outputprint(imgs.shape)print(output.shape)# torch.Size([64, 3, 32, 32])# add img to tensorboardwriter.add_images("input", imgs, step)# torch.Size([64, 6, 30, 30]) -> [xxx, 3, 30, 30]output = torch.reshape(output, (-1, 3, 30, 30))writer.add_images("output", output, step)# counterstep = step + 1
- 直接在 py 中加载 tensorboard，端口=6006；关闭 writer
# open tensorboard
os.system('tensorboard --logdir=logs --port=6006')
# tensorboard --logdir="D:\Libraries\projects\python\001 learningTest and small task\a005_pytorch\a002_lesson_src\logs" --port=6006writer.close()
总结
参考文献
[1]