nn.Conv2d和nn.Linear

nn.Conv2d和nn.Linear是PyTorch中的两个常用的神经网络层。

nn.Conv2d是一个二维卷积层，用于处理二维图像数据。它接受一个四维的输入张量，形状为[batch_size, channels, height, width]，其中batch_size表示批量大小，channels表示输入图像的通道数，height和width表示输入图像的高度和宽度。nn.Conv2d通过应用一组可学习的卷积核对输入进行卷积操作，从而提取图像的特征。它可以通过设置参数来控制卷积核的数量、大小和步幅等。

下面是一个使用nn.Conv2d的例子：

import torch
import torch.nn as nn

# 创建一个Conv2d层
conv = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, stride=1, padding=1)
# 创建一个输入张量
input_tensor = torch.randn(1, 3, 32, 32)
# 将输入张量传递给Conv2d层进行卷积操作
output_tensor = conv(input_tensor)
print(output_tensor.shape)  # 输出：torch.Size([1, 64, 32, 32])

nn.Linear是一个线性层，用于进行线性变换。它接受一个二维的输入张量，形状为[batch_size, in_features]，其中batch_size表示批量大小，in_features表示输入特征的数量。nn.Linear通过将输入张量与可学习的权重矩阵相乘，并加上可学习的偏置向量，从而进行线性变换。它可以通过设置参数来控制输出特征的数量。

下面是一个使用nn.Linear的例子：

import torch
import torch.nn as nn

# 创建一个Linear层
linear = nn.Linear(in_features=10, out_features=5)
# 创建一个输入张量
input_tensor = torch.randn(3, 10)
# 将输入张量传递给Linear层进行线性变换
output_tensor = linear(input_tensor)
print(output_tensor.shape)  # 输出：torch.Size([3, 5])