（神经网络和卷积入门）Pytorch小土堆跟练代码（第8天）

本系列为跟练小土堆每集代码，然后进入李宏毅机器学习教程。

在系列中会敲完所有视频中代码，并且在注释详细写出感悟和易错点。

欢迎大家一起交流！

最前面的神经网络和卷积，可以移步我的另一个帖子

池化层

只提取一部分特征，可以大大的加快训练速度

最后输出类似于马赛克的效果

'池化层 nn.MaxPool2d'
import torch
import torchvision.datasets
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

'''
kernel_size , 也是核
stride和步长一样，但是它的步长不是默认为1，是kernel_size
dilation , 空洞卷积，一般不设置
return_ ， 一般不用
ceil_mode ， true为ceil，floor向下取整，不允许有出界的部分；ceil向上取整，可以出界(地板和天花板）
'''

'这里有个shape，是可以写论文看的。是池化层的公式'

'目的是维持数据的维度，然后让特征的数据量减少，来增加训练的速度。比如说1080p变成360p'

dataset = torchvision.datasets.CIFAR10("data",train=False,download=True,transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset,batch_size=64)
# 此时引入了新的数据集，可以不用了
# input = torch.tensor([[1,2,0,3,1],                      #小心，张量外还有一个括号
#                      [0,1,2,3,1],
#                      [1,2,1,0,0],
#                      [5,2,3,1,1],
#                      [2,1,0,1,1]],dtype=torch.float32)  #我的版本不够新，这个变成浮点数也得打
#
# input = torch.reshape(input,(-1,1,5,5))                 #这里也得变成四维张量
#

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        self.maxpool1 = MaxPool2d(kernel_size=3,ceil_mode=True)

    def forward(self,input):
        output = self.maxpool1(input)
        return output       #到这里神经网络就建完了。初始化和forward

tudui = Tudui()
# output = tudui(input)
# print(output)
writer = SummaryWriter("logs_maxpool")
step = 0

for data in dataloader:
    imgs,targets = data
    writer.add_images("input",imgs,step)    #这些都是写神经网络的基本套路
    output = tudui(imgs)
    writer.add_images("output",output,step)
    step = step + 1