1.CNN卷积层
通过nn.Conv2d可以设置卷积层，当然也有1d和3d。
卷积层设置完毕，将设置好的输入数据，传给layer()，即可完成一次前向运算。也可以传给layer.forward，但不推荐。
2. 池化层
池化层的核大小一般是2*2，有2种方式：
maxpooling：选择数据中最大值输出
avgpooling：计算数据的均值并输出
通过这一层可以实现降采样。
3.数据批量标准化
Batch Normalize，在计算过程中，通常输入的数据都是0-255的像素数据，不方便计算，因此可以通过nn.BatchNorm1d方法进行标准化。
标准化后，可以通过running_mean, running_var获取全局的均值和方差。
4.nn.Module类
①各类函数
Linear, ReLU, Sigmoid, Conv2d, Dropout等等
②容器功能
我们可以直接在定义自己的层的时候，把所有我们需要用到的层及相关函数放进去。使用的时候直接调用即可。
③参数管理
在这个类中可以直接生成我们需要的参数，并且自动带上梯度的需求。
④调用GPU
⑤存储和加载
训练过程中可以根据需求，比如训练到某一个点的时候达到了最优，可以将其存储。
⑥训练、测试状态切换
直接调用根节点的train, eval就可以切换。
⑦ 创建自己的层
还有其他功能，但现在还不理解，因此先不往上写了。
5.数据增强
数据增强主要用在我们数据不够用的时候，对原来的数据进行调整，从而生成新的数据。比如一张图片，我们可以对其进行翻转、旋转、大小调整、切割等操作 。导入数据的时候即可进行，具体实现方式如下。
以上就是人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析的详细内容，更多关于PyTorch中CNN及nn.Module的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/Swayzzu/article/details/121127070
