DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ （官网60min闪电战第三部分注释）

本文链接：https://blog.csdn.net/u014712806/article/details/110350944

本文介绍了如何使用PyTorch构建一个基础的神经网络模型，包括定义网络结构（1输入通道，6输出通道的卷积层，全连接层），激活函数的应用，以及池化操作。重点讲解了`nn.Module`的继承和`forward`方法的实现。

摘要由CSDN通过智能技术生成

DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ （官网60min闪电战第三部分注释）

NEURAL NETWORKS

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):  #继承nn.Moudle

    def __init__(self):  #类的初始化方法，个人觉得相当于C++中的构造函数，在实例化类的时候会自动调用此方法
        super(Net, self).__init__()   #调用nn.Moudle的构造函数
        # 1 input image channel, 6 output channels, 3x3 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 3)   #建立一个卷积层，输入为1通道灰度图，输出为6通道特征图，卷积核的大小为3x3
        self.conv2 = nn.Conv2d(6, 16, 3)  #建立一个卷积层，输入6通道特征图，输出为16通道特征图，16个6通道的卷积层，每个卷积层卷积核的大小为3x3
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 6 * 6, 120)  #6*6 from image dimension #输入为16*6*6的维度，输出为120的全连接层
        self.fc2 = nn.Linear(120, 84)       #输入为120的维度，输出为84的全连接层
        self.fc3 = nn.Linear(84, 10)        #输入为84的维度，输出为10的全连接层

    def forward(self, x):
        # Max pooling over a (2, 2) window
        x=self.conv1(x)                     #调用卷积层
        x=F.relu(x)                         #应用激活函数

        x = F.max_pool2d(x, (2, 2))         #池化层下采样，具体为在2*2的方格中取一个最大值（非重叠池化）

        # If the size is a square you can only specify a single number

        x=self.conv2(x)                      #调用卷积层
        x=F.relu(x)                          #应用激活函数

        x = F.max_pool2d(x, 2)               #池化层下采样，具体为在2*2的方格中取一个最大值，由于为2*2的正方形。所以可以只写一个边长//另外要注意的是，此处为非重叠池化

        x = x.view(-1, self.num_flat_features(x))       #前面得到的特征图全部展开，-1代表第一个参数不用动（因为第一个参数代表输入样本的个数，也就是输入几张照片）

        #print(x.size())


        x = F.relu(self.fc1(x))                 #进行第一层全连接并使用激活函数映射

        x = F.relu(self.fc2(x))                  #进行第一层全连接并使用激活函数映射

        x = self.fc3(x)                         #第三层直接进行输出
        return x

    def num_flat_features(self, x):         #计算一张图片上所有量的个数，展开为全连接所用
        size = x.size()[1:]  # all dimensions except the batch dimension
        #print(size)
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

#x=torch.randn(8,1,32,32)   #可以理解为：随机生成8张大小为32x32的1通道灰度图片（如果是彩色图第二个参数是3）

net = Net()

#result=net(x)
print(net)