Pytorch的学习——CNN_1dcnn pytorch

CNN

在pytorch中CNN（卷积神经网络）由 torch.nn中的Conv1d()、Conv2d()、Conv3d()三个函数进行数据的一维、二维、三维卷积操作。主要参数有in_channels, out_channels,kernel_size。

in_channels：代表输入数据的个数

比如[[1,1],[2,2],[3,3],[4,4],[5,5]]这可以当作一维数据也可以当作二维数据
如果当作一维数据,每个数据又由一个[]组成，在每个[]中有2个数据，所以in_channels就等于2
如果当作二维数据，每个位置只有一个数据，所以in_channels就等于1

out_channels：代表输出的层数，可随便填

比如[1,2,3,4,5],如果out_channels=5，那么卷积之后就会变成[[…],[…],[…],[…],[…]]
每个[…]都含有5个数据

kernel_size：代表选择框的长度，一般选取奇数

比如kernel_size=5，对一维数据每5个数据进行一次卷积操作，对二维数据就会生成边长为5的正方形矩形框进行卷积操作，同理三维数据是边长为5的正方体
下面例子是对图像进行卷积操作

如下图kernel_size就为k，一维数据可以想象成在直线上
二维数据三维数据

torch.nn.Conv2d(
                in_channels=3,    # 图像每个像素点由R,G,B三个数组成，当然有的就一个数据，这里具体看图像的每个像素点的组成数据的个数
                out_channels=16,  # 输出16层
                kernel_size=5,    # 框的边长
            )
1
2
3
4
5

正常数据通过卷积后，数据会缩小如4x4的图片在3x3的矩形框下卷积操作后就会变成2x2，这样会漏掉图像的边缘信息。所以可以通过在数据的外围包裹数据的方式来解决该问题，pytorch提供了padding参数来保持图像卷积后的大小不会改变。
而padding=kernel_size/2-1，如下列子

torch.nn.Conv2d(
                in_channels=3,
                out_channels=16,
                kernel_size=5,
                padding=2,
            )
1
2
3
4
5
6

卷积后就是池化层，作用是缩小图像，由MaxPool1d（)、MaxPool2d（)、MaxPool3d（)函数提供，与Conv1d()、Conv2d()、Conv3d()一一对应
小编这里用MaxPool2d()做例子，这里一般只需要参数kernel_size就可以了，kernel_size意义还是矩形框的边长。因为在源码中stride即步长，如果不填的话会默认等于kernel_size

torch.nn.MaxPool2d(kernel_size=2)
1

这里一般都填2，因为比较易于计算池化后的图像的长和宽，就是输入图像的长宽除2

这里通过手写数字的一个小例子来进一步了解pytorch中的cnn

import torch
import torch.utils.data as Data
import torch.nn as nn
import torchvision
# import matplotlib.pyplot as plt
from torch.nn import functional as F


EPOCH = 
1
2
3
4
5
6
7
8