小土堆：Pytorch深度学习：搭建小实战和Sequential

最近忙着写论文，今天更新Pytorch深度学习：搭建小实战和Sequential。

import torchfrom tensorboardX import SummaryWriterfrom torch import nnfrom torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
class Yang(nn.Module):    def __init__(self):        super(Yang, self).__init__()        # Sequential模块可以按照顺序添加其他的模块        self.model1 = Sequential(            # Conv2d是卷积层，输入为3通道的图像，输出为32个特征图，卷积核大小为5x5，padding为2            Conv2d(3, 32, 5, padding=2),            # MaxPool2d是池化层，将特征图尺寸缩小一半            MaxPool2d(2),            Conv2d(32, 32, 5, padding=2),            MaxPool2d(2),            Conv2d(32, 64, 5, padding=2),            MaxPool2d(2),            # Flatten是将多维的输入压缩成一维的输出            Flatten(),            # Linear是全连接层，输入为1024维，输出为64维            Linear(1024, 64),            Linear(64, 10)        )
    def forward(self, x):        # 将输入x经过model1进行前向传播操作        x = self.model1(x)        return x
# 创建一个Yang类的实例yang = Yang()print(yang)
# 创建一个大小为(64, 3, 32, 32)的张量作为输入input = torch.ones((64, 3, 32, 32))
# 使用yang对输入进行前向传播操作，得到输出output = yang(input)print(output.shape)
# 创建一个SummaryWriter对象，用于将训练过程中的计算图和事件记录保存到TensorBoard日志文件中writer = SummaryWriter("../logs_seq")# 将计算图添加到SummaryWriterwriter.add_graph(yang, input)# 关闭SummaryWriterwriter.close()

该代码定义了一个名为`Yang`的类，该类继承自`nn.Module`，并实现了前向传播方法。在`Yang`类的构造函数中，使用`Sequential`模块按顺序构建了一个卷积神经网络模型`model1`。`model1`包含多个卷积层、池化层和全连接层，用于对输入的图像数据进行特征提取和分类。在前向传播方法中，将输入数据`x`经过`model1`进行前向传播操作，得到输出结果`x`。然后，创建了一个`Yang`类的实例`yang`，并对输入数据进行前向传播，输出结果的形状。最后，创建了一个`SummaryWriter`对象，将计算图和事件记录添加到TensorBoard日志文件中，并关闭`SummaryWriter`。