class SharedConvNet(nn.Module):
def __init__(self):
super(SharedConvNet, self).__init__()
self.conv = nn.Sequential(
nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2),
nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2),
nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2)
)
self.output_dim = 128
def forward(self, x):
x = self.conv(x)
x = x.view(x.size(0), -1)
return x
class PrivateFCN(nn.Module):
def __init__(self, num_classes):
super(PrivateFCN, self).__init__()
self.fc = nn.Sequential(
nn.Linear(2048, 64), # Modify this line to have the correct input dimension
nn.ReLU(),
nn.Linear(64, num_classes)
)
def forward(self, x):
x = self.fc(x)
return x
这是一个PrivateFCN的全连接网络(FCN), 继承了pytoch中的nn.Module。
这个网络包括一个线性层,一个激活函数,以及另一个线性层。 结构如下:
init:
在这个方法中,定义了网络的结构。包含以下层:
第一层: 线性层,输入维度是2048,输出维度是64.
relu激活函数
第二层:线性层, 输入64,输出维度是 ‘num_classes’表示分类任务中类别的数量
forward方法
这是网络的前向传播方法。 他接受输入张量x(经过卷积层处理后的特征向量),将其传递给定义的全连接层, 然后返回输出张量。 输出张量的维度是 (batch_size, num_classes),表示每个样本属于每个类别的概率分布。