Pytorch笔记15 以CIFAR10 model为例搭建神经网络

15.1 搭建CIFAR10 model

15.1.1 直观理解

15.1.2 代码实现

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


class Avlon(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = Conv2d(3, 32, 5, padding=2)
        self.maxpool1 = MaxPool2d(2)    # kernel_size=2
        self.conv2 = Conv2d(32, 32, 5, padding=2)
        self.maxpool2 = MaxPool2d(2)
        self.conv3 = Conv2d(32, 64, 5, padding=2)
        self.maxpool3 = MaxPool2d(2)
        self.flatten = Flatten()
        self.linear1 = Linear(1024, 64)
        self.linear2 = Linear(64, 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


avlon = Avlon()
print(avlon)

  运行后


  神经网络搭建完毕。
  # Conv2d 中的 padding 参数根据帮助文档中的公式计算得出


  将第15行 Linear() 中 in_features 改成10240，代码照样可以正常运行，故需要用别的方法测试神经网络的正确性。

15.1.3 代码测试

  加入以下代码进行测试

input = torch.ones((64, 3, 32, 32))
output = avlon(input)
print(output.shape)

  运行后，返回结果 torch.Size([64, 10]) ；
  此时将第15行 Linear() 中 in_features 改成10240，再次运行则会报错。

15.2 Sequential的使用

15.2.1 代码修改

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


class Avlon(nn.Module):
    def __init__(self):
        super().__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x


avlon = Avlon()
print(avlon)
input = torch.ones((64, 3, 32, 32))
output = avlon(input)
print(output.shape)

  运行后

15.2.2 使用TensorBoard进行展示

  加入以下代码

writer = SummaryWriter("../logs_seq")
writer.add_graph(avlon, input)    # 生成模型结构图
writer.close()

  通过双击进行查看