Pytorch定义Conv Layer

155****7220

下面主要讲解一下如何用pytorch定义卷积层

# 卷积神经网络的编写要用到nn.Conv2d
# 该API意为进行2D的函数卷积层计算

import torch
import torch.nn as nn
layer = nn.Conv2d(1, 5, kernel_size=3, stride=1, padding=0)
# 1代表每个kernel的channel是1，5代表kernel的数量，同时也是输出到下一层的channel数量
x = torch.rand(1, 1, 28, 28) # 1张图片，1channel，28*28
out = layer.forward(x)
print(out.shape)
print(layer.weight.size())
print(layer.bias.size())

输出

torch.Size([1, 5, 26, 26])
torch.Size([5, 1, 3, 3])
torch.Size([5])

这里可能需要解释一下weight的size，首先第一值5是kernel的数量，也是下一层的channel数量，第二个值1是input的channel数量，3和3表示kernel的长宽

需要注意，kernel的channel必须与input图片的channel相等，否则会报错，例如定义一个RGB三通道的输入图片，但是kernel的channel不是3就会报错，见下面的代码

layer = nn.Conv2d(2, 5, kernel_size=3, stride=1, padding=0)
# 2代表每个kernel的channel是2
x = torch.rand(1, 3, 28, 28) # 1张图片，3channel，28*28
# 由于输入图片的channel是3，而kernel的channel是2，两者不等，所以会报错

除此之外，pytorch还有一种定义卷积神经网络的方法

import torch.nn.functional as F

x = torch.rand(1, 1, 28, 28)
weight = torch.rand(16, 3, 5, 5)
b = torch.randn(16)
out = F.conv2d(x, weight, b, stride=1, padding=1)

当然，上面的写法肯定会报错的，因为我们前面说了，weight的参数分别是kernel的数量、输入图片的channel，以及kernel的长宽。因为weight中制定输入图片的channel是3，因此x的channel必须是3，但是我们定义x的channel是1，它们发生了矛盾，所以报错了，把x重新定义为3通道x = torch.rand(1, 3, 28, 28)，或者把weight的3改成1即可weight = torch.rand(16, 1, 5, 5)