pytorch框架学习第五次作业——模型创建步骤与nn.Module

最新推荐文章于 2025-01-13 15:05:29 发布

Aidanmomo

最新推荐文章于 2025-01-13 15:05:29 发布

阅读量379

点赞数

分类专栏： Pytorch 文章标签： python pytorch

本文链接：https://blog.youkuaiyun.com/aidanmo/article/details/104154166

版权

Pytorch 专栏收录该内容

26 篇文章

订阅专栏

本文详细介绍了使用PyTorch构建神经网络模型的过程，包括LeNet和AlexNet的实现。通过step into调试方法，展示了网络模型构建的具体步骤，以及如何使用sequential容器为AlexNet的每一层增加名称。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 采用步进(Step into)的调试方法从创建网络模型开始（net = LeNet(classes=2)）进入到每一个被调用函数，观察net的_modules字段何时被构建并且赋值，记录其中所有进入的类与函数

第一步：net = LeNet(classes=2)
第二步：LeNet类，init()，super(LeNet, self).init()
第三步: Module类, init()，self._construct()
第四步: Module类, _construct()，构建_modules
第五步：Conv2d类，init()，super(Conv2d, self).init()
第六步：_ConvNd类，init()，super(_ConvNd, self).init()
第七步：Module类, init()，self._construct()
第八步：Module类, _construct()
第九步：Module类, __setattr()，对_modules赋值
第十步：执行完所有网络层的构建
第十一步：返回net

2. 采用sequential容器，改写Alexnet，给features中每一个网络层增加名字，并通过下面这行代码打印出来print(alexnet._modules[‘features’]._modules.keys())。

改写代码如下

from collections import OrderedDict
class AlexNet(nn.Module):

    def __init__(self, num_classes=1000):
        super(AlexNet, self).__init__()
        self.features = nn.Sequential(OrderedDict({
            'conv1': nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
            'relu1': nn.ReLU(inplace=True),
            'pool1': nn.MaxPool2d(kernel_size=3, stride=2),
            'conv2': nn.Conv2d(64, 192, kernel_size=5, padding=2),
            'relu2': nn.ReLU(inplace=True),
            'pool2': nn.MaxPool2d(kernel_size=3, stride=2),
            'conv3': nn.Conv2d(192, 384, kernel_size=3, padding=1),
            'relu3': nn.ReLU(inplace=True),
            'conv4': nn.Conv2d(384, 256, kernel_size=3, padding=1),
            'relu4': nn.ReLU(inplace=True),
            'conv5': nn.Conv2d(256, 256, kernel_size=3, padding=1),
            'relu5': nn.ReLU(inplace=True),
            'pool3': nn.MaxPool2d(kernel_size=3, stride=2),
        }))
        self.avgpool = nn.AdaptiveAvgPool2d((6, 6))
        self.classifier = nn.Sequential(OrderedDict({
            'drop1': nn.Dropout(),
            'fc1': nn.Linear(256 * 6 * 6, 4096),
            'relu6': nn.ReLU(inplace=True),
            'drop2': nn.Dropout(),
            'fc2': nn.Linear(4096, 4096),
            'relu7': nn.ReLU(inplace=True),
            'fc3': nn.Linear(4096, num_classes),
        }))

    def forward(self, x):
        x = self.features(x)
        x = self.avgpool(x)
        x = torch.flatten(x, 1)
        x = self.classifier(x)
        return x