1.CNN卷積層

通過nn.Conv2d可以設置卷積層，當然也有1d和3d。

卷積層設置完畢，將設置好的輸入數據，傳給layer()，即可完成一次前向運算。也可以傳給layer.forward，但不推薦。

2. 池化層

池化層的核大小一般是2*2，有2種方式：

maxpooling：選擇數據中最大值輸出

avgpooling：計算數據的均值并輸出

通過這一層可以實現降采樣。

3.數據批量標準化

Batch Normalize，在計算過程中，通常輸入的數據都是0-255的像素數據，不方便計算，因此可以通過nn.BatchNorm1d方法進行標準化。

標準化后，可以通過running_mean, running_var獲取全局的均值和方差。

4.nn.Module類

①各類函數

Linear, ReLU, Sigmoid, Conv2d, Dropout等等

②容器功能

我們可以直接在定義自己的層的時候，把所有我們需要用到的層及相關函數放進去。使用的時候直接調用即可。

③參數管理

在這個類中可以直接生成我們需要的參數，并且自動帶上梯度的需求。

④調用GPU

⑤存儲和加載

訓練過程中可以根據需求，比如訓練到某一個點的時候達到了最優，可以將其存儲。

⑥訓練、測試狀態切換

直接調用根節點的train, eval就可以切換。

⑦ 創建自己的層

還有其他功能，但現在還不理解，因此先不往上寫了。

5.數據增強

數據增強主要用在我們數據不夠用的時候，對原來的數據進行調整，從而生成新的數據。比如一張圖片，我們可以對其進行翻轉、旋轉、大小調整、切割等操作 。導入數據的時候即可進行，具體實現方式如下。

以上就是人工智能學習PyTorch實現CNN卷積層及nn.Module類示例分析的詳細內容，更多關于PyTorch中CNN及nn.Module的資料請關注服務器之家其它相關文章！

原文鏈接：https://blog.csdn.net/Swayzzu/article/details/121127070