[pytorch] 7. 神经网络搭建实例

题目

目标搭建模型：

参数确定

设置卷积层等的参数时，除了in_channels、out_channels、kernel_size等，还需要设置padding等参数，可以根据官方给出的公式计算需要的参数是多少

带入已知数据，其中dilation没说空洞卷积，要用她的默认值1
里面只有padding和stride是未知数，求解方程，得padding=2， stride=1

代码

from torch import nn

class Test(nn.Module):
    def __init__(self):
        super(Test,self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, padding=2)
        self.maxpool1 = nn.MaxPool2d(kernel_size=2)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, padding=2) # 计算同上
        self.maxpool2 = nn.MaxPool2d(kernel_size=2)
        self.conv3 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, padding=2)
        self.maxpool3 = nn.MaxPool2d(kernel_size=2)
        self.flatten = nn.Flatten() 
        # 64@4*4 到 64那里其实省略了步骤
        # 上一步是64*4*4， 这一步就是将其展开成一行，就是1024
        # 之后1024再到64 这就是一个线性层
        self.linear1 = nn.Linear(1024, 64)
        # 64到10 这也是一个线性层
        self.linear2 = nn.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
    
    # 这样网络就写完了

net = Test()
print(net)

这就可以看到网路的结构：

在实际应用中如何看网络的正确性

关注数据经过网络后是否是想要的输出
torch提供了一些创建数据的方法 可以进行测试

net = Test()
input = torch.ones((64,3,32,32)) # 64张图片，3个通道，32*32大小，全是1
output = net(input)
print(output.shape)

使用sequential更新代码

class Test(nn.Module):
    def __init__(self):
        super(Test,self).__init__()
        self.model1 = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, padding=2), # 计算同上
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Flatten() ,
            nn.Linear(1024, 64),
            nn.Linear(64, 10),
        )
    
    def forward(self, x):
        x = self.model1(x)
        return x
        # 这就不需要像之前那种一样一个一个调用了
    
    # 这样网络就写完了

可视化

除了用print可视化，tensorboard也可以

from torch import nn
import torch
from torch.utils.tensorboard import SummaryWriter


class Test(nn.Module):
    def __init__(self):
        super(Test,self).__init__()
        self.model1 = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, padding=2), # 计算同上
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Flatten() ,
            nn.Linear(1024, 64),
            nn.Linear(64, 10),
        )
    
    def forward(self, x):
        x = self.model1(x)
        return x
        # 这就不需要像之前那种一样一个一个调用了
    
    # 这样网络就写完了

net = Test()
print(net)

input = torch.ones((64,3,32,32)) # 64张图片，3个通道，32*32大小
output = net(input)
print(output.shape)

writer = SummaryWriter('logs')
writer.add_graph(net, input)
writer.close()

效果图

双击可以逐层打开