PyTorch快速入门教程【小土堆】-神经网络-搭建小实战和Sequential的使用

1.torch.nn.Sequential(*args)

作用：一个序列容器， 模块将按照在构造函数中传递的顺序被添加到它中，最后返回最后一个模块的输出。

2.CIFAR10 图像分类

（1）输入：通道数 3，尺寸是32*32 经过卷积核为5*5的卷积Convolution后输出：通道数为32，尺寸为32*32

思路1：

根据公式 计算卷积的padding，得出stride=1，padding=2

思路2：

kernel=5,要保证输出尺寸不变，kernel的中心块要置于输入的四个角上才能尺寸不变，中心块的上下左右都有2块所以padding=2

（2）再经过池化核为2*2的最大池化，输出 通道数为32，尺寸为16*16

（3）再经过卷积核为5*5的卷积Convolution后输出：通道数为32，尺寸为16*16

（4）再经过池化核为2*2的最大池化，输出 通道数为32，尺寸为8*8

（5）再经过卷积核为5*5的卷积Convolution后输出：通道数为64，尺寸为8*8

（6）再经过池化核为2*2的最大池化，输出 通道数为64，尺寸为4*4

（7）再经过flatten将输入展成1行，尺寸为1*1024（64*4*4）

（8）再经过一个线性层 in_features=1024,out_features=64

（9）再经过一个线性层 in_features=64,out_features=10

3.代码演示

import torchvision.datasets

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

dataset=torchvision.datasets.CIFAR10("dataset")
class Tudui(nn.Module):
    def __init__(self) -> None:
        super().__init__()
        # self.conv1=Conv2d(3,32,5,padding=2)
        # #kernel=5,要保证输出尺寸不变，kernel的中心块要置于输入的四个角上才能尺寸不变，中心块的上下左右都有2块所以，padding=2
        # self.maxpool1=MaxPool2d(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)

        self.modul1=nn.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.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)
        x=self.modul1(x)
        return x

tudui=Tudui()
print(tudui)
#检查网络正确性
#生成全1的相应规格的数据
input=torch.ones((64,3,32,32))#batchsize=64,channel=3,尺寸32*32
output=tudui(input)
print(output.shape)

writer=SummaryWriter("logs_seq")
writer.add_graph(tudui,input)
writer.close()