基于pytorch构建模型

模型的整体框架

import torch
class NetWord(torch.nn.Module):
    def __init__(self):
        '''
        模型参数层
        '''

    def forward(self, x):
        '''
        模型构建及传播
        '''
        return x
model = NetWord() #模型初始化
print(model)  #输出模型框架

一、模型参数层

class NetWord(torch.nn.Module):
    def __init__(self):
    	super(NetWord,self).__init__() 

super(NetWord,self)._ init_()继承了nn.Module的属性并使用父类的方法初始化子类
解释不错的文章推荐： super(NetWord,self)._ init_(）函数分析

1、nn.Conv2d()函数（卷积）

import torch
x = torch.randn((8,4,28,28)) #生成 8x4x28x28 的矩阵 （28x28）指的是图片 4是对应4个输入通道 8是指有8组四通道
print(x.shape) #torch.Size([8, 4, 28, 28])
conv = torch.nn.Conv2d(in_channels=4, out_channels=2,kernel_size=2, stride=1, padding=0) #输入4个通道 输出是2个通道 卷积核1x1 步长为1
print(list(conv .parameters())[0].shape) #torch.Size([2, 4, 2, 2])

2、nn.Linear()函数（全连接）

import torch
x = torch.randn((8,4,28,28)) #生成 8x4x28x28 的矩阵 （28x28）指的是图片 4是对应4个输入通道 8是指有8组四通道
print(x.shape) #torch.Size([8, 4, 28, 28])
conv = torch.nn.Conv2d(in_channels=4, out_channels=2,kernel_size=2, stride=1, padding=0) #卷积层最关键的上下衔接是对应的输入通道
x = conv(x)
print(x.shape) #torch.Size([8, 2, 27, 27])
# 将四维张量转换为二维张量之后，才能作为全连接层的输入
x = x.view(8,27*27*2)
liner =  torch.nn.Linear(in_features=2*27*27,out_features=2) #而全连接层最关键的是几组输入通道
x = liner(x)
print(x.shape)  #torch.Size([8, 2])

3、nn.MaxPool2d()和nn.AvgPool2d()函数（最大池化和平均池化）

提示：MaxPool1d()输入输出是一维数据，而MaxPool2d()输入输出是二维数据

import torch
x = torch.randn((8,4,28,28)) #生成 8x4x28x28 的矩阵 （28x28）指的是图片 4是对应4个输入通道 8是指有8组四通道
print(x.shape)
conv = torch.nn.Conv2d(in_channels=4, out_channels=2,kernel_size=2, stride=1, padding=0) #卷积层最关键的上下衔接是对应的输入通道
x = conv(x)
print(x.shape) #torch.Size([8, 4, 27, 27])
maxpool = torch.nn.MaxPool2d(kernel_size=2,stride=1,padding=0) #kernel_size卷积尺寸 stride步长
x = maxpool(x) 
print(x.shape) #torch.Size([8, 2, 26, 26])
avgpool = torch.nn.AvgPool2d(kernel_size=2,stride=1,padding=0)
x = avgpool(x)
print(x.shape) #torch.Size([8, 2, 25, 25])

4、nn.Dropout()函数（随机将输入张量中部分元素设置为 0）

import torch
x = torch.randn((8,4,28,28)) #生成 8x4x28x28 的矩阵 （28x28）指的是图片 4是对应4个输入通道 8是指有8组四通道
conv = torch.nn.Conv2d(in_channels=4, out_channels=2,kernel_size=2, stride=1, padding=0) #卷积层最关键的上下衔接是对应的输入通道
x = conv(x)
print(x)
dropout = torch.nn.Dropout(p=0.1) #将输入通道置0的概率， 即丢弃概率。默认: 0.5
x = dropout(x)
print(x)

5、nn.ReLU()函数（）

import torch
x = torch.randn((8,4,28,28)) #生成 8x4x28x28 的矩阵 （28x28）指的是图片 4是对应4个输入通道 8是指有8组四通道
conv = torch.nn.Conv2d(in_channels=4, out_channels=2,kernel_size=2, stride=1, padding=0) #卷积层最关键的上下衔接是对应的输入通道
x = conv(x)
print(x)
relu = torch.nn.ReLU()
x = relu(x)
print(x)

输出：conv(x)

        5.6277e-02, -7.1074e-01],
      [-2.5850e-01,  2.6672e-01,  5.4095e-01,  ...,  3.0650e-02,
       -5.7501e-03,  3.7112e-01],
      [-3.6782e-01, -2.2672e-01,  3.5944e-01,  ...,  8.1378e-01,
        2.3800e-01,  7.4787e-01]          

输出：relu(x)

       5.6277e-02, 0.0000e+00],
      [0.0000e+00, 2.6672e-01, 5.4095e-01,  ..., 3.0650e-02,
       0.0000e+00, 3.7112e-01],
      [0.0000e+00, 0.0000e+00, 3.5944e-01,  ..., 8.1378e-01,
       2.3800e-01, 7.4787e-01]

6、nn.Sigmoid()函数（）

注意：非常适合于二进制分类问题

import torch
x = torch.randn((8,4,28,28)) #生成 8x4x28x28 的矩阵 （28x28）指的是图片 4是对应4个输入通道 8是指有8组四通道
conv = torch.nn.Conv2d(in_channels=4, out_channels=2,kernel_size=2, stride=1, padding=0) #卷积层最关键的上下衔接是对应的输入通道
x = conv(x)
print(x)
print('------')
sig = torch.nn.Sigmoid() #Sigmoid函数的输出范围为(0，1)
x = sig(x)
print(x)

输出1：conv(x)

        4.0350e-02, -9.1782e-01],
      [ 1.0022e-01, -1.2966e-01, -1.5330e+00,  ..., -9.9505e-01,
        4.7113e-01, -3.8614e-02],
      [ 3.2308e-02, -6.6265e-01,  3.6953e-02,  ...,  7.8304e-01,
        3.3069e-01,  1.0838e+00]

输出2：Sigmoid(x)

      [0.5250, 0.4676, 0.1775,  ..., 0.2699, 0.6157, 0.4903],
      [0.5081, 0.3401, 0.5092,  ..., 0.6863, 0.5819, 0.7472]

二、模型构建及传播

forward(self, x)类似于 class 中的__call__和__init__方法

import torch.nn as nn
class NetWord(nn.Module):
    def __init__(self):
        print('1')
        super(NetWord,self).__init__()
        self.conv = nn.Conv2d(in_channels=4, out_channels=2,kernel_size=2, stride=1, padding=0)
    def forward(self, x):
        print('2')
        return x
model = NetWord() #模型初始化 #从此向下代码注释则输出1

 x = torch.randn((8,4,28,28))  
 x = model(x)   #不注释则输出 1  2
 print(x)