此处mark一下图像处理中常见的Conv和BatchNorm操作，提供参考链接！！

（一）Conv1D和Conv2D实现

（1）pytorch之nn.Conv1d详解 （建议先看这个）

（2）进一步查看此： PyTorch中的nn.Conv1d与nn.Conv2d （Pytorch库）

                                 神经网络-Conv1D和Conv2D实现 （所用库为Keras）

实现代码和相应卷积的数据输入格式要求

import os

import torch

import torch.nn as nn

import torch.nn.functional as F

import torch.utils.data

class myCNN(torch.nn.Module):

    def __init__(self):

        super(myCNN, self).__init__()

        #nn.Model.__init__(self)

        self.conv1 = nn.Conv2d(1, 6, 5)  # 输入通道数为1，输出通道数为6

        self.conv2 = nn.Conv2d(6, 16, 5)  # 输入通道数为6，输出通道数为16

        self.fc1 = nn.Linear(5 * 5 * 16, 120)

        self.fc2 = nn.Linear(120, 84)

        self.fc3 = nn.Linear(84, 10)

    def forward(self,x):

        # 输入x -> conv1 -> relu -> 2x2窗口的最大池化

        x = self.conv1(x)

        x = F.relu(x)

        x = F.max_pool2d(x, 2)

        print(x.size())

        # 输入x -> conv2 -> relu -> 2x2窗口的最大池化

        x = self.conv2(x)

        x = F.relu(x)

        x = F.max_pool2d(x, 2)

        print(x.size())

        # view函数将张量x变形成一维向量形式，总特征数不变，为全连接层做准备

        x = x.view(x.size()[0], -1)

        print(x.size())

        x = F.relu(self.fc1(x))

        print(x.size())

        x = F.relu(self.fc2(x))

        x = self.fc3(x)

        return x

if __name__ == "__main__":   

    cnnmy = myCNN()

    input = torch.randn((1,1,32, 32)) 

    out = cnnmy.forward(input)

总结：

       特别注意--#Pytorch处理图片（二维卷积）的输入维度应为四维【batch，channel，height，width】；向量（一维卷积）要求是【batch，channel，时序长度】！！！

                                                图源：参考：PyTorch的Tensor（张量）

（二）BatchNorm1d、BatchNorm2d

pytorch中BatchNorm1d、BatchNorm2d、BatchNorm3d

pytorch中批量归一化BatchNorm1d和BatchNorm2d函数

点滴分享，福泽你我！Add oil！