cnn卷积神经网络pytorch

⒈PyTorch神经网络层拆解

本文对PyTorch的常见神经网络层进行了分解。 从开发者的角度来看，这些神经网络层是一层一层地完成数据处理的。

第一个：CLASStorch.nn.Flatten(start_dim=1,end_dim=-1)，它将多维输入转换为一维，通常在从卷积层过渡到全连接层时使用。 需要注意的是，Flatten()默认值为start_dim=1，即默认数据格式为[N,C,H,W]，第0维为BatchSize，不参与Flatten。 随后的CHW都被展平为一维。

其次，CLASStorch.nn.Linear(in_features,out_features,bias=True,device=None,dtype=None)也被称为全连接层，在TensorFlow中称为Dense，主要用于分类。
Linear类有两个属性：

第三、CLASStorch.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)，卷积层常用来提取图像特征，CNN+RELU+MaxPooling已经成为常用的特征提取操作。
需要注意的是，CNN要求数据输入格式为：[N,Cin,Hin,Wout]，Cin为输入数据张量的通道数，输出为[N,Cout,Hout，Wout]和Cout是CNN层中的卷积数量。 Hout和Wout的计算公式如下：

示例程序：

总结：