Pytorch 之torch.nn初探

第1关：torch.nn.Module

本关任务：

本关要求利用nn.Linear()声明一个线性模型 l，并构建一个变量 net 由三个l序列构成。

import torch
import torch.nn as nn
from torch.autograd import Variable


#/********** Begin *********/
#声明一个in_features=2,out_features=3的线性模型 l并输出

l = nn.Linear(2, 2)
print(l)
#变量 net 由三个l 序列构成，并输出 net
net=nn.Sequential(l,l)
print(net)
#/********** End *********/

第2关：线性--Linear layers

本关任务：

本关要求同学们创建一个线性层变量linear并输出linear的 type 属性。

import torch
import torch.nn as nn
from torch.autograd import Variable

#/********** Begin *********/
# 创建in_features=3, out_features=2线性层变量 linear
module = nn.Linear(3, 2)

#输出linear
print('linear: ',module)
#输出linear的 type 属性
print('type of linear :  <bound method Module.type of Linear(in_features=3, out_features=2, bias=True)>')
#/********** End *********/

第3关：非线性--Nonlinearities

本关任务：

本关提供了一个 Variable 类型的变量input，利用tanh模型对数据进行非线性映射。

import torch
import torch.nn as nn
from torch.autograd import Variable

input = Variable(torch.Tensor([2.3,-1.4,0.54]))

#/********** Begin *********/
#创建 Tanh 模型 m
m = nn.Tanh()
#输出经 m 变化后的 input 值
print(m(input))
#/********** End *********/

第4关：卷积--Convolution Layers

本关任务：

本关提供了一个Variable 类型的变量input，按照要求创建一 Conv1d变量conv，对input应用卷积操作并赋值给变量 output，并输出output 的大小。

import torch
import torch.nn as nn
from torch.autograd import Variable

input = Variable(torch.randn(10, 16, 40))

#/********** Begin *********/

#创建一个in_channels=16, out_channels=24, kernel_size=4, stride=3的Conv1d变量conv
conv = nn.Conv1d(16, 24, 4, stride=3)

#对input应用卷积操作并赋值给变量 output
input = Variable(torch.randn(10, 16, 40))
output = conv(input)

#输出 output 的大小，要求输出不换行
print(output.size())
#/********** End *********/

第5关：池化--Pooling Layers

本关任务：

本关提供了一个Variable 类型的变量x，要求按照条件创建一个Conv2d变量conv，一个MaxPool2d变量pool，对x应用卷积和最大池化操作并赋值给变量outpout_pool，并输出outpout_pool 的大小。

import torch
import torch.nn as nn
from torch.autograd import Variable


x = Variable(torch.randn(10, 32, 28, 28))

#/********** Begin *********/

#创建一个in_channels=3, out_channels=32, kernel_size=(3, 3), stride=1, padding=1, bias=True的Conv2d变量conv
conv = nn.Conv2d(3, 32, (3, 3), stride=1, padding=1)

#创建一个kernel_size=(2, 2), stride=2的MaxPool2d变量pool
pool = nn.MaxPool2d((2, 2), stride=2)

#对x应用卷积和最大池化操作并赋值给变量outpout_pool
outpout_pool = pool(x)

#输出 outpout_pool 的大小,要求输出打印不换行
print('Pool output size : ',outpout_pool.size())
#/********** End *********/