AlexNet
模型结构
模型代码
import torch
import torch.nn as nn
from torchsummary import summary
class AlexNet(nn.Module):
def __init__(self,num_classes):
super(AlexNet, self).__init__()
#第一层:卷积+ReLU+批次标准化+最大池化+随机失活
self.conv1 = nn.Sequential(
nn.Conv2d(3, 96, kernel_size=11, stride=4, padding=0),
nn.ReLU(inplace=True),
nn.BatchNorm2d(96),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Dropout(0.5)
)
# 第二层:卷积+ReLU+批次标准化+最大池化+随机失活
self.conv2 = nn.Sequential(
nn.Conv2d(96, 256, kernel_size=5, stride=1, padding=2),
nn.ReLU(inplace=True),
nn.BatchNorm2d(256),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Dropout(0.5)
)
# 第三层:卷积+ReLU+批次标准化
self.conv3 = nn.Sequential(
nn.Conv2d(256,384 , kernel_size=3, stride=1, padding=1),
nn.ReLU(inplace=True),
nn.BatchNorm2d(384),
)
# 第四层:卷积+ReLU+批次标准化
self.conv4 = nn.Sequential(
nn.Conv2d(384, 384, kernel_size=3, stride=1, padding=1),
nn.ReLU(inplace=True),
nn.BatchNorm2d(384),
)
# 第六层:卷积+ReLU+批次标准化+最大池化+随机失活
self.conv5 = nn.Sequential(
nn.Conv2d(384, 256, kernel_size=3, stride=1, padding=1),
nn.ReLU(inplace=True),
nn.BatchNorm2d(256),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Dropout(0.5)
)
# 第七层:全连接+ReLU+批次标准化+随机失活
self.fc1 = nn.Sequential(
nn.Linear(6*6*256, 4096),
nn.ReLU(inplace=True),
nn.BatchNorm1d(4096),
nn.Dropout(0.5)
)
# 第八层:全连接+ReLU+批次标准化+随机失活
self.fc2 = nn.Sequential(
nn.Linear(4096, 4096),
nn.ReLU(inplace=True),
nn.BatchNorm1d(4096),
nn.Dropout(0.5)
)
# 第九层:全连接+ReLU
self.fc3 = nn.Sequential(
nn.Linear(4096, 1000),
nn.ReLU(inplace=True),
)
def forward(self, x):
out = self.conv1(x)
out = self.conv2(out)
out = self.conv3(out)
out = self.conv4(out)
out = self.conv5(out)
out = torch.flatten(out, 1)#扁平化,将多维张量(out)展平为一维张量
out = self.fc1(out)
out = self.fc2(out)
out = self.fc3(out)
net = AlexNet(num_classes = 1000)#实例化模型
summary(net, (3, 227, 227))#可视化模型
代码解释
self.conv1 = nn.Sequential(
nn.Conv2d(3, 96, kernel_size=11, stride=4, padding=0),
nn.ReLU(inplace=True),
nn.BatchNorm2d(96),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Dropout(0.5)
)
1、Conv2d():3(输入通道数),96(输出通道数),kernel_size=11(卷积核大小),stride=4(卷积步长),padding=0(填充大小)。
注意:此处padding为什么等于0?
对于padding的计算,我们需要通过两个公式联立求解:
公式一(卷积求解):
公式二(池化求解):
未指定padding的情况下,默认为0
2、ReLU():inplace=True 是一个参数,用于指定是否在原地修改张量。使用 inplace=True 使得操作直接修改原始张量,而不是创建一个新的张量。这可以减少内存开销,因为不需要额外的内存来存储中间结果。但是如果需要保存操作前的中间结果(例如在计算梯度时),使 inplace=True 可能会导致问题,因为原始数据被覆盖,导致梯度计算不正确或计算图丢失。
3、BatchNorm2d(96):参数默认为当前层的输出通道数。
4、Dropout(0.5):0.5表示将随机选定的50%的神经元的输出置为0。
其余代码基本是重复上述所解释的代码,在此不再赘述!!