搭建小实战和sequential的使用

这一节是神经网络系列之搭建小实战和sequential的使用

---

前言

神经网络系列之搭建小实战和sequential的使用，是十分重要的。我觉得要想学好神经网络，必须得通过实践，即边编写代码边理解，这样会加快我们入门Pytorch的步伐！

一、sequential是什么？

模块将按照在构造函数中传递的顺序添加到它。或者，可以传入一系列模块。Sequential的forward（）方法接受任何输入，并将其转发到它包含的第一个模块。然后，它将输出按顺序“链接”到每个后续模块的输入，最后返回最后一个模块的输出。

二、使用步骤

1.正常搭建网络

代码如下（示例）：

正常搭建网络，图及代码对应如下。

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


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.conv1=Conv2d(3,32,5,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)

    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

tudui=Tudui()
print(tudui)

进行检验：加了两行代码

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


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.conv1=Conv2d(3,32,5,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)

    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

tudui=Tudui()
print(tudui)
input=torch.ones(64,3,32,32)  #进行检验
output=tudui(input)
print(output.shape)

成果展示：

 torch.Size([64,10])说明之前写的代码与输出对上了，无误。

2.引入sequential来搭建网络

引入Sequential序列，就是简化了正常搭建网络的步骤，但表达的意思，框架基本相同，最后输出的结果也都一样，这里对结果不做展示，但对应的sequential来搭建网络的代码如下所示。

代码如下（示例）：

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


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.module1=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)
        )                                        #引入Sequential序列

    def forward(self,x):
        x=self.module1(x)
        return x

tudui=Tudui()
print(tudui)
input=torch.ones(64,3,32,32)  #进行检验
output=tudui(input)
print(output.shape)

当用图表来可视化时，对应的代码如下：

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


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.module1=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.module1(x)
        return x

tudui=Tudui()
print(tudui)
input=torch.ones(64,3,32,32)  #进行检验
output=tudui(input)
print(output.shape)

writer=SummaryWriter("p3")
writer.add_graph(tudui,input)  #可视化，通过图表来显示
writer.close()

可视化结果：

---

三、总结

这一篇笔记是根据土堆老师视频所编写的。神经网络-搭建小实战和Sequential的使用_哔哩哔哩_bilibili