搭建神经网络模型实战

本文根据此图搭建的神经网络模型：

        这种神经网络模型中，大部分数组都已经给出，但有些数据需要根据已有的数据进行计算，例如每次进行卷积操作时padding的值就需要自行计算，最后进行线性层时的输入也要自行计算

 计算padding的公式：

图中HWC分别代表着高度(hgiht）,宽度w(width)，通道数(Channels)

代码展示：

import torch
from torch import nn
from torch.utils.tensorboard import SummaryWriter

# 开始搭神经网络
class Mymodule(nn.Module):

    def __init__(self):
        super().__init__()
        # self.conv1 = nn.Conv2d(in_channels=3,out_channels=32,kernel_size=5,padding=2)
        # self.maxpool1 = nn.MaxPool2d(2)
        # self.conv2 = nn.Conv2d(in_channels=32,out_channels=32,kernel_size=2,padding=2)
        # self.maxpool2 = nn.MaxPool2d(2)
        # self.conv3 = nn.Conv2d(in_channels=32,out_channels=64,kernel_size=5,padding=2)
        # self.maxpool3 = nn.MaxPool2d(2)
        # self.flatten = nn.Flatten()
        # self.linear1 = nn.Linear(in_features=1024,out_features=64)
        # self.linear2 = nn.Linear(in_features=64,out_features=10)
        
        # Sequential模块就相当于一条流水线，将各个功能传入进去后会按照一定顺序执行，类似于compose模块的功能
        # 使用Sequential可以使程序更具有可读性，但输出结果与上述方法完全相同
        self.module = nn.Sequential(nn.Conv2d(in_channels=3,out_channels=32,kernel_size=5,padding=2),
                      nn.MaxPool2d(2),
                      nn.Conv2d(in_channels=32,out_channels=32,kernel_size=2,padding=2),
                      nn.MaxPool2d(2),
                      nn.Conv2d(in_channels=32,out_channels=64,kernel_size=5,padding=2),
                      nn.MaxPool2d(2),
                      nn.Flatten(),
                      nn.Linear(in_features=1024,out_features=64),
                      nn.Linear(in_features=64,out_features=10))


    def forward(self,imgs):
        # imgs = self.conv1(imgs)
        # imgs = self.maxpool1(imgs)
        # imgs = self.conv2(imgs)
        # imgs = self.maxpool2(imgs)
        # imgs = self.conv3(imgs)
        # imgs = self.maxpool3(imgs)
        # imgs = self.flatten(imgs)
        # imgs = self.linear1(imgs)
        # imgs = self.linear2(imgs)
        
        # 当使用quential方法后，再进行传参时就会变得很简洁
        imgs = self.module(imgs)
        return imgs

module = Mymodule()

writer = SummaryWriter("glo")

img = torch.ones([64,3,32,32])
print(img.shape)

# 利用此方法可以可视化显示图片在神经网络中的操作过程
writer.add_graph(module,img)

img = module(img)
print(img.shape)

writer.close()

当进入可视化界面后：

（双击小方块可以看到每一步的细致操作）