pytorch框架--网络方面--自建模型示例

自己搭建模型、检查网络是否错误

import torch
from torch import nn
# 导入记好了，2维卷积，2维最大池化，展成1维，全连接层，构建网络结构辅助工具
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.tensorboard import SummaryWriter


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model1 = Sequential(
            # 输入， 输出， 卷积核、补几圈零
            Conv2d(3, 32, (5, 5), padding=2),
            # Conv2d(in_channels=3, out_channels=32, kernel_size=(5, 5), stride=1, padding=2),
            # 池化核
            MaxPool2d(2),
            # MaxPool2d(kernel_size=2, stride=2, padding=0),
            
            Conv2d(32, 32, (5, 5), padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, (5, 5), padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x


if __name__ == '__main__':
    tudui = Tudui()
    # 验证网络 须知输入图像，设定全1矩阵测试
    input = torch.ones((64, 3, 32, 32))
    output = tudui(input)
    print(output.shape)
    # pip install tensorboard
    # 终端输入：tensorboard --logdir=./log
    # 绘制网络结构图
    writer = SummaryWriter("log")
    # 参数：网络结构对象、输入图像矩阵
    writer.add_graph(tudui, input)
    writer.close()

正向计算输出图像大小：

输出图像的高 = （输入图像的高 - 卷积核的高 + 2补几圈零）/ 步长 + 1
上图中：
输入图像的高=227
卷积核的高=11
补几圈零=0
步长=4
55=（227 - 11 + 20）/ 4 + 1

正向计算输出图像大小：
例如：64,64,3,1,1 、（输入图像的高或宽，输出图像的高或宽，卷积核，步长，补零）、
输出：64 = (64 + 2 * 1 - 3) / 1 + 1、输出大小 =（输入图像的高或宽 + 2 * 补零 - 卷积核大小）/ 步长 + 1

反向计算补零（padding）
例如：64,64,3,1,1、（输入图像的高或宽，输出图像的高或宽，卷积核，步长，补零）、
补零 = ((64 - 1) * 1 + 3 - 64) / 2、（（输出图像的高或宽 - 1）* 1 + 卷积核 - 输入）/ 2

验证计算：

# 输入[1,28,28]
nn.Conv2d(
    in_channels=1,    # 输入图片的高度
    out_channels=16,  # 输出图片的高度
    kernel_size=5,    # 5x5的卷积核，相当于过滤器
    stride=1,         # 卷积核在图上滑动，每隔一个扫一次
    padding=2,        # 给图外边补上0
),
# 经过卷积层 输出[16,28,28] 传入池化层