nn_conv2d

https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=’zeros’, device=None, dtype=None)

in_channels代表输入的通道数，比如RGB图片 通道数就是3

out_channels代表输出的通道数，可以自己设置

如图所示吗，输入一个5×5的图片数据，in_channels=1，用一个卷积核对其进行卷积运算，最后输出的out_channels= 1

如图当我们设置out_channels=2时，会生成两个卷积核，这两个卷积核的数值可以是不一样的（卷积核数值是随机生成的后续进行学习优化），这两个卷积核分别对原始图像进行卷积运算，生成两个结果，这两个结果就构成输出的两个通道，及out_channels=2。

如图比如一个RGB图channels = 3，那么卷积核的通道数也自动变为3

最后我们设置out_channels = 4，那么就会有4个卷积核对图像进行卷积运算，而每个卷积核的通道数等于in_channles

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('./dataset',train=False,transform=torchvision.transforms.ToTensor(),
                                       download=True)
dataloader = DataLoader(dataset,batch_size=64)
class DEMO(nn.Module):
    def __init__(self):
        super(DEMO,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
demo = DEMO()
writer = SummaryWriter('logs')
step = 0
for data in dataloader:
    imgs,targets = data
    output = demo(imgs)
    print(imgs.shape)
    # torch.Size([16, 3, 32, 32])
    print(output.shape)
    # torch.Size([16, 6, 30, 30])
    writer.add_images('input',imgs,step)
    # 由于RGB图片是三通道，channles = 6时无法显示，因此reshape成3通道
    # tensorboard中可以看到：
    # out_channels = 3时，输出是8×8
    # out_channels = 6时，reshape后
    # 会把另一个3通道的RGB图片平铺在前一个3通道RGB图片上，及16×8
    output = torch.reshape(output,(-1,3,30,30))
    writer.add_images('output',output,step)
    step += 1
writer.close()

tips: Alt+Enter可以自动补全需要的库