搭建一套神经网络的各层套路 - 搭建网络模型

knife646

已于 2022-11-24 18:47:43 修改

阅读量748

点赞数

分类专栏：最简单的网络模型搭建文章标签：神经网络深度学习人工智能

于 2022-11-24 11:30:58 首次发布

本文链接：https://blog.csdn.net/knife646/article/details/128013672

版权

最简单的网络模型搭建专栏收录该内容

3 篇文章 0 订阅

订阅专栏

搭建网络模型基本上也有两种基本方法，一种是直接调用pyTorch里现成的经典训练模型，另一种方法是自己撰写网络模型。

1.利用现成网络模型

pyTorch为我们提供了很多经典的训练模型，本章主要写分类的神经网络，有

下面列写如何使用现成的网络模型：

form torchvision。models import Alexnet

model = Alexnet()   这里面需要填入 需要分的类型数量 和 随机失活比例（dropout）

在torchvision.models中，以alexnut为例，分为Alexnet 以类的形式存在，和alexnet以函数的形式存在。两者在使用上的区别我还不太清楚，先暂且用Alexnet搭建。

这是最简单的调用网络的方法。除此之外，对于网络的操作还有很多，比如网络的追加、删改，本文只为搭建最简单的框架，这里不再过多介绍。

2.自己撰写一个网络模型

写一个神经网络的类，包含__init__、super、forward.

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

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        # self.conv1 = Conv2d(in_channels=3,out_channels=32,kernel_size=5,padding=2,stride=1)#输入是32*32图像，输出也是32*32，故需要边缘补两圈零(padding)
        # self.maxpool1 = MaxPool2d(2)
        # self.conv2 = Conv2d(32,32,kernel_size=5,padding=2)
        # self.maxpool2 = MaxPool2d(2)
        # self.conv3 = Conv2d(in_channels=32,out_channels=64,kernel_size=5,padding=2)
        # self.maxpool3 = MaxPool2d(2)
        # self.flatten = Flatten() #就是数据展平的功能，64通道4*4的图像共1024个像素点，所以展成1024的长条。
        # self.linear1 = Linear(1024,64) #1024的长条缩到64。
        # self.linear2 = Linear(64,10) #64缩到10
 
        #用Sequential体现DRY原则
 
        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)
        # 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
 

tudui = Tudui()     #实例化模型