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。