构建简单的神经网络用于CIFAR10分类

        注：只是完成了网络模型的搭建

神经网络模型如下：

输入为为3通道，32*32尺寸的CIFA10数据集的图，最后输出为10，也就是完成10个分类

卷积层padding和stride的取值：

         官方文档的计算公式如下

以第一层卷积为例：

法一：

        根据第一个公式，已知Hout = 32, Hin = 32，dilation = 1， kernel_size = 5，取stride = 1，可以计算出padding = 2。

法二：

        根据卷积的原理，大小为5的卷积核，怎么样改变原图的hw才能卷积出同样hw的输出图，其实就是要让卷积核的中心经过原输入图像矩阵的每一个数据，把卷积核的中心放到图像的边缘会发现h和w都高出2格，那么只要hw各填充2格就可以了

代码如下：

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.tensorboard import SummaryWriter


class model(nn.Module):
    def __init__(self):
        super().__init__()
        self.model = nn.Sequential(
            Conv2d(3, 32, 5, 1, 2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, 1, 2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, 1, 2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

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

 这样就完成了

model = model()
print(model)

model(
  (model): Sequential(
    (0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (6): Flatten(start_dim=1, end_dim=-1)
    (7): Linear(in_features=1024, out_features=64, bias=True)
    (8): Linear(in_features=64, out_features=10, bias=True)
  )
)

 这就是模型的全部层

验证一下：

input = torch.ones(1, 3, 32, 32)
output = model(input)
print(output.shape)

torch.Size([1, 10])

 可以看到3*32*32的输入的确变成了10（这里取batch-size为1为了简单验证而已）

另外我们在TensorBoard可以看到整个网络的图

writer = SummaryWriter("log")
writer.add_graph(model, input)
writer.close()

add_graph第一个参数为模型对象，第二个为输入

进去之后看到就是这样

我们可以不断展开，看看里面的具体情况，你甚至可以看到具体的参数的传递

 看看其中两层吧