神经网络搭建实战与Sequential的使用

一、需要处理的图像

二、对上述图片用代码表示：

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear


class SUN(nn.Module):
    def __init__(self):
        super(SUN, self).__init__()
        self.conv1 = Conv2d(3, 32, 5, padding=2)
        self.maxpool1 = MaxPool2d(2)
        self.conv2 = Conv2d(32, 32, 2,padding=2)
        self.maxpool2 = MaxPool2d(2)
        self.conv3 = Conv2d(32, 64, 5, padding=2)
        self.maxpool3 = MaxPool2d(2)
        self.flatten = Flatten()
        self.linear1 = Linear(1024, 64)
        self.linear2 = Linear(64, 10)

    def forward(self,x):
        x = self.conv1(x)
        x = self.maxpool1(x)
        x = self.conv2(x)
        x = self.maxpool2(x)
        x = self.conv3(x)
        x = self.maxpool3(x)
        x = self.flatten(x)
        x = self.linear1(x)
        x = self.linear2(x)
        return x


sun = SUN()
print(sun)

# 写完网络检查网络的正确性，因为即使改变其中的一些参数，该网络还是能够正常的运行，所以需要检验
# 创建一个假象的输入
input = torch.ones((64,3,32,32))
output = sun(input)
print(output.shape)

实现的结果：

三、用 Sequential简化

但是，在class的使用中，频繁的写self.....是非常复杂，不简洁的，于是有了Sequential：

代码如下简洁：

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential


class SUN(nn.Module):
    def __init__(self):
        super(SUN, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 2, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

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


sun = SUN()
print(sun)

# 写完网络检查网络的正确性，因为即使改变其中的一些参数，该网络还是能够正常的运行，所以需要检验
# 创建一个假象的输入
input = torch.ones((64,3,32,32))
output = sun(input)
print(output.shape)

实现的结果是一样的，但是，较为的简洁。

四、使用tensorboard可视化

# 使用tensorboard来可视化：
writer = SummaryWriter("logs_seq")
writer.add_graph(sun, input)
writer.close()

注意，此处使用的是add_graph（）。

tensorboard中的add_graph方法用于可视化ptorch模型的计算图。‌TensorBoard是一个强大的可视化工具，它允许用户以交互式的方式查看和理解模型的训练过程和结构。在PyTorch中，add_graph方法是SummaryWriter类的一个功能，它可以将PyTorch模型的计算图以图形化的形式展示出来。通过这种方法，用户可以直观地看到模型中各个操作之间的依赖关系，以及数据在模型中的流动情况。这对于理解模型的内部工作机制、调试模型以及优化模型设计都非常有帮助。

tensorboard显示不出来的问题：使用了下述语句查看：

tensorboard --logdir =learningplan1/logs_seq

结果：

对其改正：加入端口6007

tensorboard --logdir=learningplan1/logs_seq --port=6007

最终正确查看，注：双击可以打开网络：

输入，经过搭建的SUN网络到达输出。

通过双击网络模块，可查询相关的参数等：

网络搭建成功。