1.Containers

首先查看官方文档中nn.module骨架，其中有六个模块。

1.1Module

import torch.nn as nn
import torch.nn.functional as F
class Module(nn.Module):def __init__(self):super(Module, self).__init__()self.conv1=nn.Conv2d(1, 20, 5)self.conv2=nn.Conv2d(20, 20,5)def forward(self,x):x=F.relu(self.conv1(x))return F.relu(self.conv2(x))

这其中nn.Module的构造函数，一直到super这一行都是一种固定搭配，在下面两行中conv1和conv2是自定义的卷积。

分析最后这个forward(self,x)
输入一个x:
首先是进行了卷积
然后是进行非线性激活函数Relu
再然后又进行了卷积
最后再进行了一次非线性激活函数Relu.
输出。

import torch
import torch.nn as nn
import torch.nn.functional as F
class Module(nn.Module):def __init__(self):super(Module, self).__init__()def forward(self,x):y=x+1return F.relu(y)
yang=Module()
x=torch.Tensor([1.0])
output=yang(x)
print(output)

我们设置一个简单的程序来使用这个框架，可以看到，在输入张量x后，经过非线性激活函数，最后输出了张量2.0。以一种及其简单的过程走完了框架，更多的内容只需要对其进行填充即可。

2.Convolution卷积层

2.1.CONV2D

先看官方文档的描述和解释

input:在这里为其提供一个输入
weight:权重，也可以叫卷积核
bias:偏置
stride:其中的一个路径，移动步数
padding:

这里设置一个卷积核，和一个5x5的图像数据

我们将其进行相乘后输出第一个值：10.当Stride为1的时候移动的步数(格子数量)为1.

import torch
input = torch.tensor([[1,2,0,3,1],[0,1,2,3,1],[1,2,1,0,0],[5,2,3,1,1],[2,1,0,1,1]])kernel = torch.tensor([[1,2,1],[0,1,0],[2,1,0]])
input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))
output=torch.nn.functional.conv2d(input=input,weight=kernel,stride=1)
print(output)

这里的输出就是卷积后的值。