Pytorch 用cfg构建网络结构

最新推荐文章于 2023-11-27 20:00:42 发布

ANTennaaa

最新推荐文章于 2023-11-27 20:00:42 发布

阅读量2.9k

点赞数 2

分类专栏： PyTorch 文章标签：深度学习 Pytorch 神经网络

本文链接：https://blog.csdn.net/m0_38139098/article/details/105452659

版权

PyTorch 专栏收录该内容

12 篇文章

订阅专栏

本文介绍如何使用cfg配置文件和循环迭代方式构建深度学习模型，如VGG网络，通过列表形式定义网络结构，提高代码灵活性和效率。同时，介绍了使用nn.ModuleList管理网络层的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

动机：一个model需要多次重复同一个block的时候，使用cfg/config文件构建网络是很方便的

本篇是通过参考Pytorch源码，来进行相关学习的。一直以来觉得这种方法比较抽象，但其实看一看，还是很值得的，毕竟我们生活在21世纪，接下来做研究可以借助强大的GPU算力（啥时候有钱了）构造更多深层网络，只用一个列表写出来结构显然会比一层一层手动写出来灵活性更高，修改也比较省时省力。
通过阅读本文，可以学到用for循环迭代cfg列表的形式来构建网络

方法1

首先给出我参考源码写的


print("Testing addLayer...")

cfg = [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M']


batch_norm = 1
layers = []
in_channel = 3 # VGG第一层输入是RGB三通道的图像
for i in cfg:
    if i == "M": # 当遇到M
        layers += [nn.MaxPool2d(kernel_size=2, stride=2)]

    else: # 如果遇到的不是M 那么就创建 多少入多少出的conv2d
        conv2d = nn.Conv2d(in_channel, i, kernel_size=3, padding=1)
        if batch_norm:
            layers += [conv2d, nn.BatchNorm2d(i), nn.ReLU(inplace=True)]
        else:
            layers += [conv2d, nn.ReLU(inplace=True)]
        in_channel = i  # VGG 里面，输入输出通道除了第一层以外都是相等的

a = nn.Sequential(* layers)

print(a)

方法2

使用nn.ModuleList


import torch.nn as nn

l1 = nn.Linear(10, 20)
l2 = nn.Linear(20, 30)

model_list = nn.ModuleList()

model_list.append(l1)
model_list.append(l2)

参考