2021-03-21

Pytorch 代码学习记录

1. nn.Sequential类

一个有序的容器，神经网络模块将按照在传入构造器的顺序，依次被添加到计算图中执行，类似于keras中的序贯模型，当一个模型较简单的时候，我们可以使用torch.nn.Sequential类来实现简单的顺序连接模型。

import torch.nn as nn
from collections import OrderedDict
model = nn.Sequential(OrderedDict([
                  ('conv1', nn.Conv2d(1,20,5)),
                  ('relu1', nn.ReLU()),
                  ('conv2', nn.Conv2d(20,64,5)),
                  ('relu2', nn.ReLU())
                ]))
 
print(model)
print(model[2]) # 通过索引获取第几个层
'''运行结果为：
Sequential(
  (conv1): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
  (relu1): ReLU()
  (conv2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
  (relu2): ReLU()
)
Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
'''caiyon

2. Pytorch-F.interpolate函数,

torch.nn.functional.interpolate实现插值和上采样。
在对图像进行上采样和插值，可以增加图像的分辨率，双线性插值bilinear等插值方法对其余点进行插值。
在网络层中，将图像进行resize等，上采样，采用插值的形式，可以不同程度的保留图像特征。

torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None)

参数：

• input (Tensor) ： 输入张量图像

• size ： 输出大小.

• scale_factor： 指定输出为输入的多少倍数。如果输入为tuple，其也要制定为tuple类型

• mode (str) ：可使用的上采样算法，有’nearest’, ‘linear’, ‘bilinear’, ‘bicubic’ , ‘trilinear’和’area’. 默认使用’nearest’。

• align_corners ：在几何上，我们将输入和输出的像素视为正方形而不是点。 如果设置为True，则输入和输出张量将按其角点像素的中心对齐，并保留角点像素处的值。 如果设置为False，则输入和输出张量将按其角像素的角点对齐，并且插值对边界值使用边缘值填充，当scale_factor保持相同时，使此操作独立于输入大小。 这仅在模式为“线性”，“双线性”，“双三次”或“三线性”时才有效。 默认值：False

3. torch.cat 拼接函数

函数目的： 在给定维度上对输入的张量序列seq 进行连接操作

outputs = torch.cat(inputs, dim=0)

参数

• inputs : 待连接的张量序列，可以是任意相同Tensor类型的python 序列
• dim : 选择的扩维, 必须在0到len(inputs[0])之间，沿着此维连接张量序列。