pytorch框架学习第五次作业——模型创建步骤与nn.Module
1. 采用步进(Step into)的调试方法从创建网络模型开始（net = LeNet(classes=2)）进入到每一个被调用函数，观察net的_modules字段何时被构建并且赋值，记录其中所有进入的类与函数
第一步：net = LeNet(classes=2)
第二步：LeNet类，init()，super(LeNet, self).init()
第三步: Module类, init()，self._construct()
第四步: Module类, _construct()，构建_modules
第五步：Conv2d类，init()，super(Conv2d, self).init()
第六步：_ConvNd类，init()，super(_ConvNd, self).init()
第七步：Module类, init()，self._construct()
第八步：Module类, _construct()
第九步：Module类, __setattr()，对_modules赋值
第十步：执行完所有网络层的构建
第十一步：返回net
2. 采用sequential容器，改写Alexnet，给features中每一个网络层增加名字，并通过下面这行代码打印出来print(alexnet._modules[‘features’]._modules.keys())。
改写代码如下
from collections import OrderedDict
class AlexNet(nn.Module):
def __init__(self, num_classes=1000):
super(AlexNet, self).__init__()
self.features = nn.Sequential(OrderedDict({
'conv1': nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
'relu1': nn.ReLU(inplace=True),
'pool1': nn.MaxPool2d(kernel_size=3, stride=2),
'conv2': nn.Conv2d(64, 192, kernel_size=5, padding=2),
'relu2': nn.ReLU(inplace=True),
'pool2': nn.MaxPool2d(kernel_size=3, stride=2),
'conv3': nn.Conv2d(192, 384, kernel_size=3, padding=1),
'relu3': nn.ReLU(inplace=True),
'conv4': nn.Conv2d(384, 256, kernel_size=3, padding=1),
'relu4': nn.ReLU(inplace=True),
'conv5': nn.Conv2d(256, 256, kernel_size=3, padding=1),
'relu5': nn.ReLU(inplace=True),
'pool3': nn.MaxPool2d(kernel_size=3, stride=2),
}))
self.avgpool = nn.AdaptiveAvgPool2d((6, 6))
self.classifier = nn.Sequential(OrderedDict({
'drop1': nn.Dropout(),
'fc1': nn.Linear(256 * 6 * 6, 4096),
'relu6': nn.ReLU(inplace=True),
'drop2': nn.Dropout(),
'fc2': nn.Linear(4096, 4096),
'relu7': nn.ReLU(inplace=True),
'fc3': nn.Linear(4096, num_classes),
}))
def forward(self, x):
x = self.features(x)
x = self.avgpool(x)
x = torch.flatten(x, 1)
x = self.classifier(x)
return x
