PyTorch - 21 - CNN Forward方法 - PyTorch深度学习实现
Neural Network Programming Series (Recap)
到目前为止,在本系列文章中,我们已经准备好了数据,现在正在构建模型。
我们通过扩展nn.Module PyTorch基类来创建网络,然后在类构造函数中将网络层定义为类属性。 现在,我们需要实现网络的forward()方法,然后,最后,我们将准备训练我们的模型。
- 准备数据
- 建立模型
a. 创建一个扩展nn.Module基类的神经网络类。
b. 在类构造函数中,将网络的图层定义为类属性。
c. 使用网络的图层属性以及nn.functional API操作来定义网络的前向传递。 - 训练模型
- 分析模型的结果
Reviewing The Network
目前,我们知道forward()方法接受张量作为输入,然后返回张量作为输出。现在,返回的张量与传递的张量相同。
但是,在构建实现之后,返回的张量将是网络的输出。
这意味着正向方法实现将使用我们在构造函数内部定义的所有层。这样,前向方法显式定义了网络的转换。
forward()方法是实际的网络转换。正向方法是将输入张量映射到预测输出张量的映射。让我们看看这是如何完成的。
回想一下,在网络的构造函数中,我们可以看到定义了五层。
class Network(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5)
self.conv2 = nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5)
self.fc1 = nn.Linear(in_features=12 * 4 * 4, out_features=120)
self.fc2 = nn.Linear(in_features=120, out_features=60)
self.out = nn.Linear(in_features