一，torch.nn組成和屬性

nn模塊組成

nn.Module的屬性

nn.Module的特點和注意點：

• 一個module可以包含多個子module
• 一個module相當于一個運算，必須實現forward（）函數
• 每個module都有8個字典管理他的屬性

二，模型的容器，裝有子module

nn.Sequential:按順序包裝多個網絡層

• 順序性
• 自帶forward（）–》自動通過for循環依次執行前向傳播運算

import torch import torchvision import torch.nn as nn from collections import OrderedDictclass LeNetSequential(nn.Module):def __init__(self, classes):super(LeNetSequential, self).__init__()self.features = nn.Sequential(nn.Conv2d(3, 6, 5),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2),nn.Conv2d(6, 16, 5),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2),)self.classifier = nn.Sequential(nn.Linear(16*5*5, 120),nn.ReLU(),nn.Linear(120, 84),nn.ReLU(),nn.Linear(84, classes),)def forward(self, x):x = self.features(x)x = x.view(x.size()[0], -1)x = self.classifier(x)return xclass LeNetSequentialOrderDict(nn.Module):def __init__(self, classes):super(LeNetSequentialOrderDict, self).__init__()self.features = nn.Sequential(OrderedDict({ #通過有序字典對網絡中的操作進行命名，這樣可以很容易的索引到'conv1': nn.Conv2d(3, 6, 5),'relu1': nn.ReLU(inplace=True),'pool1': nn.MaxPool2d(kernel_size=2, stride=2),'conv2': nn.Conv2d(6, 16, 5),'relu2': nn.ReLU(inplace=True),'pool2': nn.MaxPool2d(kernel_size=2, stride=2),}))self.classifier = nn.Sequential(OrderedDict({'fc1': nn.Linear(16*5*5, 120),'relu3': nn.ReLU(),'fc2': nn.Linear(120, 84),'relu4': nn.ReLU(inplace=True),'fc3': nn.Linear(84, classes),}))def forward(self, x):x = self.features(x)x = x.view(x.size()[0], -1)x = self.classifier(x)return xnet = LeNetSequential(classes=2) net = LeNetSequentialOrderDict(classes=2)fake_img = torch.randn((4, 3, 32, 32), dtype=torch.float32)#4張3通道大小為32*32output = net(fake_img)print(net) print(output)

nn.ModuleList:像Python的list一樣包裝多個網絡層

• append（）：在ModuleList后面添加網絡層
• extend（）：拼接兩個ModuleList
• insert（）：指定在ModuleList中位置插入網絡層

import torch import torchvision import torch.nn as nn from collections import OrderedDictclass ModuleList(nn.Module):def __init__(self):super(ModuleList, self).__init__()self.linears = nn.ModuleList([nn.Linear(10, 10) for i in range(20)])#20個全連接層，每一個是10個神經元def forward(self, x):for i, linear in enumerate(self.linears):x = linear(x)return xnet = ModuleList()print(net)fake_data = torch.ones((10, 10))output = net(fake_data)print(output)

nn.ModuleDict:像Python的dict一樣包裝多個網絡層

• clear（）：清空ModuleDict
• items（）：返回可迭代的鍵值對
• keys（）：返回鍵
• values（）：返回值
• pop（）：返回一對鍵值，并從字典中刪除

import torch import torchvision import torch.nn as nn from collections import OrderedDictclass ModuleDict(nn.Module):def __init__(self):super(ModuleDict, self).__init__()self.choices = nn.ModuleDict({'conv': nn.Conv2d(10, 10, 3),'pool': nn.MaxPool2d(3)})self.activations = nn.ModuleDict({'relu': nn.ReLU(),'prelu': nn.PReLU()})def forward(self, x, choice, act):x = self.choices[choice](x)x = self.activations[act](x)return xnet = ModuleDict()fake_img = torch.randn((4, 10, 32, 32))output = net(fake_img, 'conv', 'relu')print(output)

三，常用nn網絡層

nn.Conv2d():二維卷積

• in_channels:輸入通道數
• out_channels:輸出通道數
• kernel_size:卷積核尺寸
• stride:步長
• padding:填充個數
• dilation:空洞卷積大小
• groups:分組卷積設置
• bias:偏置

nn.ConvTranspose2d:轉置卷積，實現上采樣

• in_channels:輸入通道數
• out_channels:輸出通道數
• kernel_size:卷積核尺寸
• stride:步長
• padding:填充個數
• dilation:空洞卷積大小
• groups:分組卷積設置
• bias:偏置

nn.MaxPool2d:二維最大池化

• kernel_size：池化核尺寸
• stride：步長
• padding：填充個數
• dilation：池化核間隔大小
• ceil_mode:尺寸向上取整
• return_indices:記錄池化像素索引（取出最大值時當時最大的值所處的位置索引）

nn.AvgPool2d:二維平均池化

• kernel_size：池化核尺寸
• stride：步長
• padding：填充個數
• dilation：池化核間隔大小
• ceil_mode:尺寸向上取整
• count_include_pad:填充值用于計算
• divisor_override:除法因子–》當設置了除法因子之后，全部權值加和之后不除以權值個數而除以因子

nn.MaxUnpool2d:反池化—》對二維圖像進行最大池化上采樣

• kernel_size:池化核尺寸
• stride：步長
• padding：填充個數
• 需將正常池化以后記錄的索引值傳入反池化函數

nn.Linear:線性層—》對一維信號進行線性組合

• in_features:輸入節點數
• out_features:輸出節點數
• bias：是否需要偏置

總結

以上是生活随笔為你收集整理的第八讲，nn模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。