pytorch中的前向传播函数forward(self, x)

一 概述

二 代码示例

	# x为输入值
    def forward(self, x):
    	# 将输入x通过self.conv1进行卷积操作，得到卷积后的结果x。
        x = self.conv1(x)
        # 将卷积后的结果x通过self.bn1进行批量归一化操作，得到归一化后的结果x。
        x = self.bn1(x)
        # 将归一化后的结果x通过ReLU激活函数进行激活，得到激活后的结果x。
        x = self.relu(x)
        
		#重复上述步骤，对x进行多次卷积、归一化和激活操作。
        x = self.conv2(x)
        x = self.bn2(x)
        x = self.relu(x)
        
        # 将激活后的结果x通过self.block1进行某种块操作，得到块操作后的结果x。
        x = self.block1(x)
        x = self.block2(x)
        x = self.block3(x)
        
        x = self.conv3(x)
        x = self.bn3(x)
        x = self.relu(x)
  
		# 将激活后的结果x通过自适应平均池化操作，将特征图的大小调整为(1, 1)。
        x = F.adaptive_avg_pool2d(x, (1, 1))
       # 将池化后的结果x进行展平操作，将其转换为一维向量。
       # 因为全连接层需要接收一维向量作为输入，目的是能够对每个元素进行独立的处理，从而实现更复杂的模型和任务
       # x.size(0)表示batchsize的值，而-1表示根据原tensor数据和batchsize自动分配列数
       # 将池化后的多维张量转换为(batchsize, channels*x*y)的形状，即将（channels，x，y）拉直成一维向量
        x = x.view(x.size(0), -1)

		# 将展平后的结果x通过全连接层self.fc进行线性变换，得到最终的输出x
		x = self.fc(x)

        return x