小土堆Pytorch笔记P22

编程基础很弱，需要机器学习，学习记录，按自己理解写的，希望以后能学懂吧，要是有大神看到还请赐教。

神经网络-搭建小实战和Sequential的使用

本节课讲解上边这张图的网络构建，和Sequential使用。

首先，第一个为卷积层，输入chanel为3，输出chanel为32，发现输入输出大小不变，翻阅Pytorch文档计算。

代码：

from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear


class Lizi(nn.Module):
    def __init__(self):
        super(Lizi, self).__init__()
        self.conv1 = Conv2d(3, 32, 5, 1, 2)
        self.maxpool1 = MaxPool2d(2)
        self.conv2 = Conv2d(32, 32, 5, 1, 2)
        self.maxpool2 = MaxPool2d(2)
        self.conv3 = Conv2d(32, 64, 5, 1, 2)
        self.maxpool3 = MaxPool2d(2)
        self.flatten1 = Flatten()  # 将上一步输出的64*4*4展平
        self.linear1 = Linear(64 * 4 * 4, 64)
        self.linear2 = Linear(64, 10)

    def forward(self, input):
        input = self.conv1(input)
        input = self.maxpool1(input)
        input = self.conv2(input)
        input = self.maxpool2(input)
        input = self.conv3(input)
        input = self.maxpool3(input)
        input = self.flatten1(input)
        input = self.linear1(input)
        output = self.linear2(input)
        return output


lizi = Lizi()
print(lizi)

效果如下：

如何检查网络是否正确，关注于输入输出是否为想要的，接着上面：

# 如何检查搭建的网络是否正确，输入的数据是否能得到想要的输出。
input = torch.ones((64, 3, 32, 32))
output = lizi(input)
print(output.shape)

Sequential的用法：

 与以上的网络效果一样。

# Sequential的用法：
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential


class Lizi(nn.Module):
    def __init__(self):
        super(Lizi, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, 1, 2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, 1, 2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, 1, 2),
            MaxPool2d(2),
            Flatten(),
            Linear(64 * 4 * 4, 64),
            Linear(64, 10)
        )

    def forward(self, input):
        output = self.model1(input)
        return output

# 将网络用tensorboard可视化
from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")
writer.add_graph(lizi, input)