神经网络：卷积层

1. 神经网络 卷积操作

   例子：

   输入：二维图像

   [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]

   卷积核：

   [1,2,1]

   [0,1,0]

   [2,1,0]

   然后需要将输入图像和卷积核转化为4维张量

   为什么转为4维张量？因为卷积操作需要输入图像和卷积核的维度相同，所以需要将其转化为相同的维度。

   (插入 channel：彩色图像就是rgb为3 灰度图像就是1)

   下面进行二维卷积操作：

   1. 步长为1 就是每次移动一步

      stride = 1

   2. 步长为2 就是每次移动两步

   3. 填充为1

      padding = 1

      达到填充后的输出和输入的大小相同 都是5x5

      为了充分学习边缘信息 提取边缘特征

   4. 上述输出

      

   code:

   import torch
   import torch.nn.functional as F#原始输入图像
   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]])
   #卷积核
   kernel = torch.tensor([[1,2,1],[0,1,0],[2,1,0]])
   #将输入图像和卷积核转化为4维张量 reshape(batch_size, channel, height, width)
   #为什么转为4维张量？因为卷积操作需要输入图像和卷积核的维度相同，所以需要将其转化为相同的维度
   input = torch.reshape(input,(1,1,5,5))
   kernel = torch.reshape(kernel,(1,1,3,3))#二维卷积
   #stride=1 表示步长为1
   output = F.conv2d(input,kernel,stride=1)
   print(output)#步长为2
   output = F.conv2d(input,kernel,stride=2)
   print(output)#填充为1
   #填充后输出的大小和输入相同
   #就是卷积的时候在原输入的周围补0 上下左右补0
   #padding 也是为了充分利用边缘信息 提取边缘特征
   output = F.conv2d(input,kernel,stride=1,padding=1)
   print(output)
   

2. 神经网络 卷积层

   作用：提取特征

   流程：

   1. 选取数据集

      这里我用的是自定义的数据集 还是放一下目录结构

      数据集在images下 注意DataLoader加载数据集需要的目录结构是datasets/classes 需要注意下

      

   2. 数据预处理

      主要是使用transforms工具箱

      这里我先统一大小

      转成Tensor格式

      标准化

      #数据预处理
      transform = transforms.Compose([transforms.Resize((224,224)),transforms.ToTensor(),transforms.Normalize(mean = [0.5,0.5,0.5],std = [0.5,0.5,0.5])
      ])
      

   3. 加载数据集

      ImageFloder()的时候应用transform

      batch_size是指一次取出多少图片来处理（2的倍数）

      folder_path = '../images'
      dataset = ImageFolder(folder_path,transform=transform)
      dataloader = DataLoader(dataset,batch_size=1)
      

   4. 构建卷积层

      这里的in_channels为3（彩色图片）out_channels为6（说明应该是应用了两个卷积核去卷积操作 会产生两个输出 所以最后的output的数量是input的两倍）kernel_size=3 卷积核设置的3x3的

      然后前向传播 输出结果

      class convNet(nn.Module):def __init__(self):#调用父类nn.Module的构造函数super(convNet,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 xconvnet = convNet()
      

   5. 使用tensorboard观察结果

      日志存在logs文件夹下

      writer = SummaryWriter('../logs')
      ...
      ...
      ...
      writer.close()
      

       writer.add_images('input',img,cnt)writer.add_images('output',output,cnt)
      

   6. 开始遍历处理加载的图片(见后面完整代码中)

      output = torch.reshape(output,(-1,3,222,222))
      

      这一个操作是因为output的通道数是6 运行会报错 这里就给他强制性转换一下shape

      输入通道数变成几不知道 就填写-1

      （222，222）这个是怎么得到的？

      print(output.shape)得到的

   7. tensorboard结果：

      tensorboard --logdir=../logs
      

      （我数据集中就放了一张图片哈哈哈哈哈 大家能够认出是谁吗）

      

      （笑死我了 这里是变形的小苏苏）

   8. 完整代码

      code:

      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
      from torchvision.datasets import ImageFolder
      from torchvision import transforms#数据预处理
      transform = transforms.Compose([transforms.Resize((224,224)),transforms.ToTensor(),transforms.Normalize(mean = [0.5,0.5,0.5],std = [0.5,0.5,0.5])
      ])#加载数据集
      folder_path = '../images'
      dataset = ImageFolder(folder_path,transform=transform)
      dataloader = DataLoader(dataset,batch_size=1)class convNet(nn.Module):def __init__(self):#调用父类nn.Module的构造函数super(convNet,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 xconvnet = convNet()writer = SummaryWriter('../logs')cnt = 0
      for data in dataloader:img,label = dataprint(img.shape)output = convnet(img)print(output.shape)writer.add_images('input',img,cnt)output = torch.reshape(output,(-1,3,222,222))writer.add_images('output',output,cnt)cnt = cnt + 1writer.close()