内容目录

参考视频：https://www.bilibili.com/video/BV1hE411t7RN/?spm_id_from=333.337.search-card.all.click

我们将模仿上图的流程建立神经网络去分类cifar10数据集

卷积层示例

[[006pyTorch入门——卷积层]]

self.conv1 = Conv2d(3, 32, 5, padding=2)

解释参数

四个参数分别对应：in_channels，out_channels, kernel_size, padding

in_channels

此参数表示输入的channel的数量，由图可得为3

out_channels

此参数表示输出的channel的数量，由图可得为32

kernel_size

此参数表示卷积核，由图可得为5

padding

由于前三个参数已定，因此可以通过下面公式计算出该数值
$$H{out}=⌊frac{H{in}+2×padding[0]−dilation[0]×(kernel_size[0]−1)−1}{stride[0]}+1⌋$$
$$W{out}=⌊frac{W{in}+2×padding[1]−dilation[1]×(kernel_size[1]−1)−1}{stride[1]}+1⌋$$
该式子中H表示高度，W表示宽度，dilation默认为1，stride默认为1
因此将相关数据带入式中，得出padding = 2

池化层示例

[[007pyTorch入门——最大池化的使用]]

self.maxpool1 = MaxPool2d(2)

如图易得

展平

self.flatten = Flatten()

使用比较简单，不做更多介绍

线性层示例

这里其实有两个线性层
1、经过flatten后又64 4 4 =1024个unit，先通过一个线性层将它转化为64。即输入为1024unit，输出为64unit
2、再经过线性层，将它转化为10。即输入为64unit，输出为10unit

self.linear1 = Linear(1024, 64)  
self.linear2 = Linear(64, 10)

完整代码

原始代码

class Pan(nn.Module):  
    def __init__(self):  
        super().__init__()  
        self.conv1 = Conv2d(3, 32, 5, padding=2)  
        self.maxpool1 = MaxPool2d(2)  
        self.conv2 = Conv2d(32, 32, 5, padding=2)  
        self.maxpool2 = MaxPool2d(2)  
        self.conv3 = Conv2d(32, 64, 5, padding=2)  
        self.maxpool3 = MaxPool2d(2)  
        self.flatten = Flatten()  
        self.linear1 = Linear(1024, 64)  
        self.linear2 = Linear(64, 10)  

    def forward(self,x):  
        x = self.conv1(x)  
        x = self.maxpool1(x)  
        x = self.conv2(x)  
        x = self.maxpool2(x)  
        x = self.conv3(x)  
        x = self.maxpool3(x)  
        x = self.flatten(x)  
        x = self.linear1(x)  
        x = self.linear2(x)  
        return x

用Sequential简化代码

class Pan(nn.Module):  
    def __init__(self):  
        super().__init__()  
        self.model1 = Sequential(  
            Conv2d(3, 32, 5, padding=2),  
            MaxPool2d(2),  
            Conv2d(32, 32, 5, padding=2),  
            MaxPool2d(2),  
            Conv2d(32, 64, 5, padding=2),  
            MaxPool2d(2),  
            Flatten(),  
            Linear(1024, 64),  
            Linear(64, 10)  
        )  

    def forward(self,x):  
        x = self.model1(x)  
        return x

检验

令，可以用一定的方法去初步检验网络是否有错

pan = Pan()  
print(pan)  
input = torch.ones((64,3,32,32))  
output = pan(input)  
print(output.shape)

即，构造一个全是1的矩阵，然后传入进去，看看是否输出我们预期的矩阵

可视化模型

writer = SummaryWriter("../logs_seq")  
writer.add_graph(pan, input)  
writer.close()

运行代码后在终端输入

随后打开网址

即可看到类似的图，通过双击对应模块查看详情

最终版代码

import torch  
from torch import nn  
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential  
from torch.utils.tensorboard import SummaryWriter  

class Pan(nn.Module):  
    def __init__(self):  
        super().__init__()  
        self.model1 = Sequential(  
            Conv2d(3, 32, 5, padding=2),  
            MaxPool2d(2),  
            Conv2d(32, 32, 5, padding=2),  
            MaxPool2d(2),  
            Conv2d(32, 64, 5, padding=2),  
            MaxPool2d(2),  
            Flatten(),  
            Linear(1024, 64),  
            Linear(64, 10)  
        )  

    def forward(self,x):  
        x = self.model1(x)  
        return x  

pan = Pan()  
print(pan)  
input = torch.ones((64,3,32,32))  
output = pan(input)  
print(output.shape)  

writer = SummaryWriter("../logs_seq")  
writer.add_graph(pan, input)  
writer.close()