神经网络-实例以及Sequential的使用

# Sequential：使代码更简洁，更容易管理

 写一个对CIFAR10这个数据集进行分类的简单的网络模型

（1）CIFAR10 模型结构

第一个卷积层：Hin=32、dilation[0](0号元素)默认为1（没有使用空洞卷积）、Hout=32、kernel_size=5

第二层卷积：Hin=16、dilation[0]默认为1、Hout=16、kernel_size=5

第三层卷积：Hin=8、dilation[0]默认为1、Hout=8、kernel_size=5

根据以下卷积公式可知：

• （32+2*padding[0]-1*（5-1）-1）/stride[0]+1=32，即：27+2*padding[0]=31*stride[0]。如果stride[0]=2的话，那么padding[0]也要设置的很大，并不合理。因此，stride[0]=1，padding[0]=4。
• 同理，第二层第三层卷积也可算出：stride[0]=1，padding[0]=4。

（2）代码搭建

根据模型结构搭建网络

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


class Swagkg(nn.Module):
    def __init__(self):
        super(Swagkg, self).__init__()
        # 搭建卷积层
        # stride和dilation都默认为1，不用写
        self.conv1 = Conv2d(in_channels=3, out_channels=32, kernel_size=5, padding=2)
        # 搭建池化层
        self.maxpool1 = MaxPool2d(kernel_size=2)
        # 再经过一次卷积操作
        self.conv2 = Conv2d(in_channels=32, out_channels=32, kernel_size=5, padding=2)
        self.maxpool2 = MaxPool2d(kernel_size=2)
        self.conv3 = Conv2d(in_channels=32, out_channels=64, kernel_size=5, padding=2)
        self.maxpool3 = MaxPool2d(kernel_size=2)
        # 展平搭建
        self.flatten =Flatten()
        # 搭建线性层1和线性层2
        self.linear1 = Linear(in_features=1024, out_features=64)
        self.linear2 = Linear(in_features=64, out_features=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

# 搭建网络
swagkg = Swagkg()
print(swagkg)

查看所搭建的网络结构：

 检查网络的正确性，添加以下测试代码：

 若将输入改成10240，就会报错：

 （3）Sequential作用：将代码简洁

代码修改如下：

效果一样，且前面会指定一个序列：

（4）tensorboard可视化

添加代码：

运行结果：

 成功啦！！！有被惊艳到！！

网址：http://localhost:6006/#graphs&run=.