一、pytorch搭建實(shí)戰(zhàn)以及sequential的使用

• 1.A sequential container
• 2.搭建cifar10 model structure
• 3.創(chuàng)建實(shí)例進(jìn)行測(cè)試（可以檢查網(wǎng)絡(luò)是否正確）
• 3.tensorboard圖可視化

1.A sequential container

官網(wǎng)說(shuō)明文檔 ： https://pytorch.org/docs/stable/generated/torch.nn.Sequential.html#sequential

Example

model = nn.Sequential(nn.Conv2d(1,20,5),nn.ReLU(),nn.Conv2d(20,64,5),nn.ReLU())# Using Sequential with OrderedDict. This is functionally the # same as the above code model = nn.Sequential(OrderedDict([('conv1', nn.Conv2d(1,20,5)),('relu1', nn.ReLU()),('conv2', nn.Conv2d(20,64,5)),('relu2', nn.ReLU())]))

2.搭建cifar10 model structure

共有9層網(wǎng)絡(luò)結(jié)構(gòu)，順序如下：
(0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(6): Flatten(start_dim=1, end_dim=-1)
(7): Linear(in_features=1024, out_features=64, bias=True)
(8): Linear(in_features=64, out_features=10, bias=True)

搭建網(wǎng)絡(luò)結(jié)構(gòu)：

class Qu(nn.Module):def __init__(self):super(Qu, self).__init__()self.model1 = 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.model1(x)return x

其中

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=‘zeros’, device=None, dtype=None)

例如第一個(gè)卷積層conv2d的 輸入通道=3，輸出通道=32，卷積核個(gè)數(shù)=5x5, padding=2
由于卷積作用后HW不變，仍為32X32，故需計(jì)算padding,padding的計(jì)算方法如下：

3.創(chuàng)建實(shí)例進(jìn)行測(cè)試（可以檢查網(wǎng)絡(luò)是否正確）

qu = Qu() #print(qu) input = torch.ones(64, 3, 32, 32) output = qu(input) print(output.shape) 輸出結(jié)果 torch.Size([64, 10])

3.tensorboard圖可視化

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

總結(jié)

以上是生活随笔為你收集整理的一、pytorch搭建实战以及sequential的使用的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。