conv2d处理的数据是什么样的？
对单通道数据进行卷积
如果我们训练的数据是单通道照片，那么一个样本其数据结构是二维矩阵。
因为训练模型时，一般都是使用小批量（n个样本）多次对模型进行训练。那么这一个批次的数据就是三维结构（多个二维数据组成三维数据）。
那么整个数据集因为分成了很多个小批量数据。最终整个数据集应该组织成一个四维数据结构(多个三维数据组成思维数据)。
现在我们有一个照片数据集，这个数据集只有一张照片。
假设该照片是单通道照片，那么我们按照上面的推理，应该把这一张照片组织成四维数据
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = 'all' #显示多个变量结果
import numpy as np
import torch.nn as nn
import torch as t
#单通道是二维数据
img1 = np.array([[3,3,2,1,0],
[0,0,1,3,1],
[3,1,2,2,3],
[2,0,0,2,2],
[2,0,0,0,1]])
#5*5,说明是二维的
img1.shape
img1_tensor = t.Tensor(one_channel_data)
img1_tensor
运行结果
(5, 5)
tensor([[3., 3., 2., 1., 0.],
[0., 0., 1., 3., 1.],
[3., 1., 2., 2., 3.],
[2., 0., 0., 2., 2.],
[2., 0., 0., 0., 1.]])
该照片img1是单通道照片，也就是二维数据。(5,5)表示图片长4，宽5。很简单，（5,5）一看就是二维。
之前我们也讨论了，多个二维数据组成三维，怎么把二维变成三维数据。方法有两种：
将二维数据放到列表中，然后在将其转化为torch.Tensor
使用torch中的unsqueeze(0)方法,将维度增加一个维度
列表法
img2 = np.array([[3,3,2,1,0],
[0,0,1,3,1],
[3,1,2,2,3],
[2,0,0,2,2],
[2,0,0,0,1]])
three_dims = [img2]
three_dims = t.Tensor(three_dims)
three_dims1.shape
three_dims1
运行结果
torch.Size([1, 5, 5])
tensor([[[3., 3., 2., 1., 0.],
[0., 0., 1., 3., 1.],
[3., 1., 2., 2., 3.],
[2., 0., 0., 2., 2.],
[2., 0., 0., 0., 1.]]])
(1,5,5)元组中有三个数，所以我们成功将二维变成三维数据
unsqueeze(0)方法
img3 = np.array([[3,3,2,1,0],
[0,0,1,3,1],
[3,1,2,2,3],
[2,0,0,2,2],
[2,0,0,0,1]])
img3_tensor = t.Tensor(img3)
three_dims2 = img3_tensor.unsqueeze(0)
three_dims2.shape
three_dims2
运行结果
torch.Size([1, 5, 5])
tensor([[[3., 3., 2., 1., 0.],
[0., 0., 1., 3., 1.],
[3., 1., 2., 2., 3.],
[2., 0., 0., 2., 2.],
[2., 0., 0., 0., 1.]]])
使用squeeze(0)也成功的将二维数据转化为三维数据。同理，多个三维数据组成四维数据，这里我们可以依然使用squeeze(0)将三维转换为四维
img3 = np.array([[3,3,2,1,0],
[0,0,1,3,1],
[3,1,2,2,3],
[2,0,0,2,2],
[2,0,0,0,1]])
img3_tensor = t.Tensor(img3)
four_dims = img3_tensor.unsqueeze(0).unsqueeze(0)
four_dims.shape
four_dims
运行结果
torch.Size([1, 1, 5, 5])
tensor([[[[3., 3., 2., 1., 0.],
[0., 0., 1., 3., 1.],
[3., 1., 2., 2., 3.],
[2., 0., 0., 2., 2.],
[2., 0., 0., 0., 1.]]]])
(1, 1, 5, 5)元组中有四个数，所以我们成功将二维变成 四维数据
接下来，我们使用卷积方法 对这 四维数据 ，即 只有一张照片的数据集进行训练
同时如图，我们可以知道 卷积核尺寸kernel_size = 3 , 卷积前后均为单通道数据，
因此 in_channels=1, out_channels=1。用pytorch实现动画中的卷积操作，代码如下：
one_img = np.array([[3,3,2,1,0],
[0,0,1,3,1],
[3,1,2,2,3],
[2,0,0,2,2],
[2,0,0,0,1]])
#将二维数据转化为四维数据
one_data = t.Tensor(one_img).unsqueeze(0).unsqueeze(0)
#(1, 1, 5, 5) 成功转化为四维数据
one_data.shape
#卷积conv2d需要输入四维数据，其中输入和输出均为单通道，卷积核为3
conv = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3)
conv(one_data)
成功使用了con2d函数，说明我们组织的数据形式是正确的。运行结果如下
torch.Size([1, 1, 5, 5])
tensor([[[[-0.4410, -0.7628, -0.6724],
[-0.1663, 0.0914, -0.7396],
[ 0.5701, -0.1886, -0.2795]]]], grad_fn=<ThnnConv2DBackward>)
对多通道数据进行卷积
这里我们假设照片是三通道，
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = 'all' #显示多个变量结果
import numpy as np
import torch.nn as nn
import torch as t
chanel_1 = [[3,3,2,1,0],
[0,0,1,3,1],
[3,1,2,2,3],
[2,0,0,2,2],
[2,0,0,0,1]]
chanel_2 = [[3,3,2,1,0],
[0,0,3,3,1],
[0,1,2,2,3],
[2,2,0,2,2],
[2,0,1,0,1]]
chanel_3 = [[3,3,2,1,0],
[0,0,3,3,1],
[3,3,2,2,3],
[2,2,0,2,2],
[2,5,0,0,1]]
#伪造一张照片，该照片是三通道数据
img_data2 = t.Tensor([chanel_1,
chanel_2,
chanel_3])
#三通道数据如果输入到conv2d中应该是四维数据。
img_data2 = img_data2.unsqueeze(0)
#(1, 1, 5, 5) 成功转化为四维数据
img_data2.shape
#卷积conv2d需要输入四维数据，其中输入为三通道in_channels=3，假设我们想输出单通道，则out_channels=1
conv = nn.Conv2d(in_channels=3, out_channels=1, kernel_size=3)
conv(img_data2)
成功使用了con2d函数，说明我们组织的数据形式是正确的。运行结果如下
torch.Size([1, 3, 5, 5])
tensor([[[[ 1.0329, 0.9904, -0.1885],
[ 0.0870, 0.2805, 0.3501],
[ 0.4509, -0.1977, 0.9282]]]], grad_fn=<ThnnConv2DBackward>)