探究nn.Linear和nn.Conv2d的基本用法

1问题

1.如何在pytorch中使用nn.Linear？

2.如何在pytorch环境中运用nn.Conv2d?

2 方法

1.首先在网上查询了关于nn.Linear的含义。PyTorch的nn.Linear（）是用于设置网络中的全连接层的，需要注意在二维图像处理的任务中，全连接层的输入与输出一般都设置为二维张量，形状通常为[batch_size, size]，不同于卷积层要求输入输出是四维张量。其中in_features指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。out_features指的是输出的二维张量的大小，即输出的二维张量的形状为[batch_size，output_size]，当然，它也代表了该全连接层的神经元个数。
从输入输出的张量的shape角度来理解，相当于一个输入为[batch_size, in_features]的张量变换成了[batch_size, out_features]的输出张量。

1. Conv2d是用来实现2d卷积操作的，其中：

in_channels 表示输入的channels数

out_channels 表示输出的channels数，

kernel_size 表示卷积核的尺寸，可以是方形卷积核、也可以不是，下边example可以看到

stride 表示 步长，用来控制卷积核移动间隔

padding 表示输入边沿扩边操作

import torch from torch import nn conv1 = nn.Conv2d( in_channels=3, #输入通道数 #每个卷积核的通道数与输入通道数相同 #卷积运算后得到128张特征图 out_channels=128, #输出通道数，表示当前卷积层有128个卷积核 kernel_size=3, #卷积核大小3x3 stride=1, #步长，每次滑动窗口移动的长度，默认为1 ) fc1 = nn.Linear( in_features=128*26*26, #前一层拉伸后的向量大小 out_features=10, ) x = torch.rand(size=(32,3,28,28)) x = conv1(x) x = torch.flatten(x,1) #二维的特征图与全连接进行连接时需要拉伸 x = fc1(x) #[32,3,28,28] -> [32,32,26,26] print(x.shape)

输出：

3结语

针对探究nn.Linear问题，其用于设置网络中的全连接层的，需要注意在二维图像处理的任务中，全连接层的输入与输出一般都设置为二维张量，其中参数in_features指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。out_features指的是输出的二维张量的大小。

针对nn.Conv2d问题，其用法是用来实现2d卷积操作的，其中包含了许多用于卷积的参数，in_channels、out_channels和kernel_size是需要手动提供的，而其他的参数是有默认值。