Pytorch学习基础——CNN基本结构搭建

Pytorch CNN结构特点：

• 面向对象编程，即网络模型类继承自nn.Module基类；
• 重写构造函数和forward函数；
• 定义分类器classifier，最后做全连接处理；

Pytorch CNN实例：

*根据LeNet5的结构模型编写LeNet网络：

图像经过卷积、池化等步骤的尺寸计算方式如下：

图像的尺寸为,其中为width, h为height,c为channel；

卷积核尺寸为,个数为；

步幅stride为;

填充padding为

卷积后图像的尺寸大小为：

池化后的图像尺寸大小为：(通常k=S)

参数量：,其中1指偏置

通过以上介绍可以完成各部分参数的设置，接下来介绍常用的函数：

• 卷积层：nn.Conv2d(Parameters)

• BN正则层 ：nn.BtachNorm2d(Parameters)

•  池化层：nn.MaxPool2d/AvgPool2d(Parameters)

• 激活层 ：nn.ReLU(Parameters)

True:改变当前的原始对象

• 全连接层：nn.Linear(Parameters)

• 序列化操作：将多个函数合并在一起，便于管理和提升可读性

        '''
        layer2 = nn.Sequential()
        layer2.add_module('conv2', nn.Conv2d(64,64,kernel_size=3,padding=1))
        layer2.add_module('BN2',nn.BatchNorm2d(64))
        layer2.add_module('relu2',nn.ReLU(True))
        layer2.add_module('pool2',nn.MaxPool2d(kernel_size=2,stride=2))
        self.layer2 = layer2
        '''
        self.layer2 = nn.Sequential(
            nn.Conv2d(64,64,kernel_size=3,padding=1),
            nn.BatchNorm2d(64),
            nn.ReLU(True),
            nn.MaxPool2d(kernel_size=2,stride=2)),
            )

• 分类器 self.classifier

        self.classifier = nn.Sequential(
            nn.Linear(4096,num_classes),
            )

• 模型输出 

        out = out.view(out.size(0), -1)
        out = self.classifier(out)

整体代码：

import torch
import torch.nn as nn
import torch.nn.functional as F

class LeNet(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.mp = nn.MaxPool2d(2)
        # fully connect
        self.fc = nn.Linear(320, 10)

    def forward(self, x):
        # in_size = 64
        in_size = x.size(0) # one batch
        # x: 64*10*12*12
        x = F.relu(self.mp(self.conv1(x)))
        # x: 64*20*4*4
        x = F.relu(self.mp(self.conv2(x)))
        # x: 64*320
        x = x.view(in_size, -1) # flatten the tensor
        # x: 64*10
        x = self.fc(x)
        return F.log_softmax(x)

if __name__ == '__main__':
    use_cuda = torch.cuda.is_available()
    device = torch.device('cuda' if use_cuda else 'cpu')
    
    net = LeNet().to(device)
    print(net)