深度学习代码学习（一文真正看懂卷积层的代码定义）

一维卷积:

将n行3列升维到n行6列。（原因：卷积核为6个）

*表示点乘

Linear线性层：

（通过矩阵计算改变输入输出特征向量的维度）

Pytorch nn.Linear的基本用法与原理详解-CSDN博客

pytorch初学笔记（十二）：神经网络基本结构之线性层-CSDN博客

二维卷积：

torch学习 (十六)：二维卷积层_torch 二维卷积定义-CSDN博客

神经网络基本搭建：torch.nn

对类初始化讲解的好的文章：

解惑（一） ----- super(XXX, self).__init__()到底是代表什么含义_super(,self).__init__-CSDN博客

CONV1D一维卷积神经网络运算过程（举例：n行3列➡n行6列）-CSDN博客

神经网络的基本框架的搭建-nn.Module-CSDN博客

神经网络类定义举例：

# Convolution operation
class ConvLayer(torch.nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, stride, is_last=False):
        super(ConvLayer, self).__init__()
        reflection_padding = int(np.floor(kernel_size / 2))
    #np.floor()向下取整
    #kernel_size 卷积核的大小
        self.reflection_pad = nn.ReflectionPad2d(reflection_padding)
        self.conv2d = nn.Conv2d(in_channels, out_channels, kernel_size, stride)
        self.dropout = nn.Dropout2d(p=0.5)
        self.is_last = is_last

    def forward(self, x):
        out = self.reflection_pad(x)
        out = self.conv2d(out)
        if self.is_last is False:
            # out = F.normalize(out)
            out = F.relu(out, inplace=True)
            # out = self.dropout(out)
        return out

上面的代码定义了一个卷积操作类;

class ConvLayer(torch.nn.Module):

定义了类ConvLayer，继承自torch.nn.Module，也就是说torch.nn.Module是类ConvLayer的父类。

  def __init__(self, in_channels, out_channels, kernel_size, stride, is_last=False):
        super(ConvLayer, self).__init__()
        reflection_padding = int(np.floor(kernel_size / 2))
    #np.floor()向下取整
    #kernel_size 卷积核的大小
        self.reflection_pad = nn.ReflectionPad2d(reflection_padding)
        self.conv2d = nn.Conv2d(in_channels, out_channels, kernel_size, stride)
        self.dropout = nn.Dropout2d(p=0.5)
        self.is_last = is_last

定义了ConvLayer的类初始化函数，在创建ConvLayer对象时自动调用，也就是说在创建对象的时候自己就初始化了，不需要再使用init函数。

 def __init__(self, in_channels, out_channels, kernel_size, stride, is_last=False):

括号中是可以传入的参数。

super(ConvLayer, self).__init__()

这句代码的意思是说要将ConvLayer的实例（对象）self，转化为它的父类对象，也就是torch.nn.Module，再进行初始化。

 reflection_padding = int(np.floor(kernel_size / 2))

reflection_padding=1

self.reflection_pad = nn.ReflectionPad2d(reflection_padding)
        self.conv2d = nn.Conv2d(in_channels, out_channels, kernel_size, stride)
        self.dropout = nn.Dropout2d(p=0.5)
        self.is_last = is_last

在初始化中对ConvLayer的对象定义了四个属性，

reflection_pad属性：只往左右填充宽度为1的元素。

反射填充详解ReflectionPad2d(padding)-CSDN博客

conv2d属性：二维卷积

dropout属性：把某个张量置0

(Pytorch)nn.Dropout以及Dropout1d,Dropout2d,Dropout3d是什么意思_nn.dropout2d-CSDN博客

is_last属性：是不是最后一层

  def forward(self, x):
        out = self.reflection_pad(x)
        out = self.conv2d(out)
        if self.is_last is False:
            # out = F.normalize(out)
            out = F.relu(out, inplace=True)
            # out = self.dropout(out)
        return out

前向传播函数：self是类实例本身，x是传进来的参数。

将反射填充x后的ConvLayer类实例赋值给out，

对out进行2d卷积，

判断是不是最后一层卷积层，如果不是，对刚卷积的结果进行relu激活。

inplace为True，将会改变输入的数据，否则不会改变原输入，只会产生新的输出。

激活函数(ReLU)：nn.ReLU(inplace=True)-CSDN博客

forward的返回结果为out。