pytorch-torch.nn-卷积层

torch.nn模块

$torch.nn$模块包含着torch已经准备好的层，方便使用者调用

卷积层：

卷积可以看作是：输入和卷积的一种内积运算

使用卷积核将输入数据进行卷积运算得到的输出为特征映射

每个卷积核可以获得一个特征映射

卷积运算在图像识别，分割，重建中的三个好处：

卷积的稀疏链接

卷积的参数共享

卷积的等变表示

卷积的稀疏链接

在卷积神经网络中，通过输入卷积核来进行卷积操作，使输入单元（图像或特征映射（这里的特征映射即是上一个输入单元的特征映射））和输出单元（特征映射）的稀疏连接，这样就可以减少训练的参数个数

卷积的参数共享

在一个模型中的同一组参数可以被多个函数或者操作共同使用。

参数的等变表示：

卷积神经网络结构对输入图像具有平移不变的性质

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image

# 读取图像-转化为灰度图-转化为numpy数组-转化为张量
img = Image.open(r"C:\Users\baishuai\Desktop\1600170151368.jpg")
# 使用.convert()方法，将图像转化为灰度图像
image = np.array(img.convert("L"), dtype=np.float32)
# 将数组转化为张量，张量：1*1*h*w
imh, imw = image.shape
myimg = torch.from_numpy(image.reshape((1, 1, imh, imw)))
print(myimg)
# 定义边缘检测卷积核，并将维度处理为1*1*5*5
# 卷积核大小
kersize = 5
# 设置卷积核
ker = torch.ones(kersize, kersize, dtype=torch.float32)*-1
ker[2, 2] = 24
# 获得卷积模型
conv2d = nn.Conv2d(1, 2, (kersize, kersize), bias=False)
# 设置卷积时使用的核，第一个核使用边缘检测核
conv2d.weight.data[0] = ker
# 对灰度图进行卷积操作
imconv2dout = conv2d(myimg)
# 对卷积后的输出进行维度压缩
imconv2dout_im = imconv2dout.data.squeeze()
print(imconv2dout.shape)
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.imshow(imconv2dout_im[0], "gray")
plt.axis("off")
plt.subplot(1, 2, 2)
plt.imshow(imconv2dout_im[1], "gray")
plt.axis("off")
plt.show()