深度学习基础网络结构代码实现1--CNN

本文链接：https://blog.csdn.net/qq_43894221/article/details/127124650

卷积网络模型CNN的实现

结构以及计算

CNN主要包括以下结构：
输入层(Input layer)：输入数据；
卷积层(Convolution layer，CONV)：使用卷积核进行特征提取和特征映射；
激活层：非线性映射（ReLU)
池化层(Pooling layer，POOL)：进行下采样降维；
光栅化(Rasterization)：展开像素，与全连接层全连接，某些情况下这一层可以省去；
全连接层(Affine layer / Fully Connected layer，FC)：在尾部进行拟合，减少特征信息的损失；
激活层：非线性映射（ReLU)
输出层(Output layer)：输出结果。
卷积后shape计算参考我写的：卷积神经网络的计算

	input	process	outpout
卷积层	$1 * 28 * 28$	in_channels=1,out_channels=16 kernel_size=5,stride=1,padding=2 输出长度= $28 + 2 * 2 - 5 + 1 = 28$	$16 * 28 * 28$
ReLU	$16 * 28 * 28$		$16 * 28 * 28$
MaxPool2d	$16 * 28 * 28$	in_channels=16,out_channels=16 kernel_size=2,strides=2,padding=0 输出长度= $(28 - 2 + 1) /2 + 1 = 14$	$16 * 14 * 14$
卷积层	$16 * 14 * 14$	in_channels=16, out_channels=32 kernel_size=5, stride=1, padding=2 输出长度= $14 + 2 * 2 - 5 + 1 = 14$	$32 * 14 * 14$
ReLU	$32 * 14 * 14$		$32 * 14 * 14$
MaxPool2d	$32 * 14 * 14$	in_channels=32,out_channels=32 kernel_size=2,strides=2,padding=0 输出长度=$(14-2+1)/2+1=7	$32 * 7 * 7$
全连接层	$32 * 7 * 7$		$32 * 7 * 7$

代码

CNN

import torch
from torch import nn


class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(  # input shape (1, 28, 28)
            nn.Conv2d(
                in_channels=1,  # input height  gray just have one level
                out_channels=16,  # n_filters
                kernel_size=5,  # filter size
                stride=1,  # filter movement/step
                padding=2
            ),  # output shape (16, 28, 28)
            #nn.ReLU(),  # activation
            nn.MaxPool2d(kernel_size=2,stride=2,padding=0),  # choose max value in 2x2 area, output shape (16, 14, 14)
        )
        self.conv2 = nn.Sequential(  # input shape (16, 14, 14)
            nn.Conv2d(16,32, 5, 1, 2),  # output shape (32, 14, 14)
            #nn.ReLU(),  # activation
            nn.MaxPool2d(2,stride=2),  # output shape (32, 7, 7)
        )
        # flatten
        # fc unit
        self.fc1 = nn.Sequential(
            nn.Linear(32*7*7,500),
            #nn.ReLU()
        )
        self.fc2 = nn.Sequential(
            nn.Linear(500,10),
            #nn.ReLU()
        )

    def forward(self, x):
        batchsz = x.size(0)
        x = self.conv1(x)
        x = self.conv2(x)

        x = x.view(batchsz, 50*4*4)

        x= self.fc1(x)
        logits = self.fc2(x)

        # # [b, 10]
        # pred = F.softmax(logits, dim=1)
        # loss = self.criteon(logits, y)

        return logits

在这里插入图片描述

from torchstat import stat
from CNN import CNN

# 导入模型，输入一张输入图片的尺寸
cnn=CNN()
print(cnn)
stat(cnn,(1, 28,28))

在这里插入图片描述