Pytorch学习笔记--搭建神经网络以及Sequential的使用

首先，搭建一个如下图所示的神经网络：

 分析图片，inputs输入图片的inchannels=3，尺寸是32*32，经过kernel_size=5的卷积操作后out_channels=32，尺寸32*32，套用下方公式可算出padding=2（默认dilation=1，stride=1）：

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

 

 之后再进行池化操作Max-pooling，kernel_size=2：

        self.maxpool1=MaxPool2d(kernel_size=2)

再依此类推，相关代码如下：

from fsspec.registry import s3_msg
from sympy.tensor.array.arrayop import Flatten
from torch import nn
from torch.nn import Conv2d, MaxPool2d


class Aaxxx(nn.Module):
    def __init__(self):      #self 代表了类 Aaxxx 的当前实例，使得该实例能够存储和使用定义在类中的各种属性和方法。
        super(Aaxxx,self).__init__()
        self.conv1=Conv2d(3,32,5,padding=2)
        self.maxpool1=MaxPool2d(kernel_size=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=nn.Flatten()
        self.linear1=nn.Linear(1024,64)
        self.linear2=nn.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

aa=Aaxxx()

 若是使用Sequential之后，代码便可以封装起来，更加简洁：

from fsspec.registry import s3_msg
from sympy.tensor.array.arrayop import Flatten
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Sequential


class Aaxxx(nn.Module):
    def __init__(self):      #self 代表了类 Aaxxx 的当前实例，使得该实例能够存储和使用定义在类中的各种属性和方法。
        super(Aaxxx,self).__init__()
        self.model=Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(kernel_size=2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(1024, 64),
            nn.Linear(64, 10)
        )
    def forward(self,x):
        x=self.model(x)
        return x

aa=Aaxxx()
print(aa)

模型输出结果为：

 再使用Tensorboard查看

writer.add_graph(aa,torch.ones(64,3,32,32))

 

再点击模型的矩形框，可以放大展开，并详细查看各种参数：

 学习内容来自b站小土堆，仅用作记录学习，切勿商用 。