pytorch之提取层结构

最新推荐文章于 2022-09-17 12:22:46 发布

alittlebai1

最新推荐文章于 2022-09-17 12:22:46 发布

阅读量390

点赞数 1

分类专栏：初学 Python pytorch 文章标签：卷积神经网络深度学习神经网络

本文链接：https://blog.youkuaiyun.com/alittlebai1/article/details/105940666

版权

Python 同时被 3 个专栏收录

28 篇文章

订阅专栏

初学

27 篇文章

订阅专栏

pytorch

18 篇文章

订阅专栏

本文详细介绍了使用PyTorch构建的卷积神经网络（CNN）模型结构，包括多个卷积层、池化层及全连接层的设置。通过遍历网络的模块，展示了如何提取特定类型的层，如卷积层，为理解复杂神经网络提供了实用的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

pytorch之提取层结构

代码等来自廖星宇书上的廖星宇，有问题还不会解决系列

# -*- coding: utf-8 -*-
import torch
from torch import nn


class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()

        layer1 = nn.Sequential()
        layer1.add_module('conv1', nn.Conv2d(3, 32, 3, 1, padding=1))
        layer1.add_module('relu1', nn.ReLU(True))
        layer1.add_module('pool1', nn.MaxPool2d(2, 2))
        self.layer1 = layer1

        layer2 = nn.Sequential()
        layer2.add_module('conv2', nn.Conv2d(32, 64, 3, 1, padding=1))
        layer2.add_module('relu2', nn.ReLU(True))
        layer2.add_module('pool2', nn.MaxPool2d(2, 2))
        self.layer2 = layer2

        layer3 = nn.Sequential()
        layer3.add_module('conv3', nn.Conv2d(64, 128, 3, 1, padding=1))
        layer3.add_module('relu3', nn.ReLU(True))
        layer3.add_module('pool3', nn.MaxPool2d(2, 2))
        self.layer3 = layer3

        layer4 = nn.Sequential()
        layer4.add_module('fc1', nn.Linear(2048, 512))
        layer4.add_module('fc_relu1', nn.ReLU(True))
        layer4.add_module('fc2', nn.Linear(512, 64))
        layer4.add_module('fc_relu2', nn.ReLU(True))
        layer4.add_module('fc3', nn.Linear(64, 10))
        self.layer4 = layer4

    def forward(self, x):
        conv1 = self.layer1(x)
        conv2 = self.layer2(conv1)
        conv3 = self.layer3(conv2)
        fc_input = conv3.view(conv3.size(0), -1)
        fc_output = self.layer4(fc_input)
        return fc_output


model = SimpleCNN()

# print(model)

# 提取网络结构
new_model = nn.Sequential(*list(model.children())[: 2])
# print(new_model)

# 想要得到卷积层
# conv_model = nn.Sequential(model.children())
for layer in model.named_modules():
    # print(layer[0], layer[1])
    if isinstance(layer[1], nn.Conv2d):
        # conv_model.add_module(layer[0], layer[1])
        #说实话，我实在不知道这个怎么弄，不会定义 conv_model，只能直接输出卷积层希望大佬告知
        print(layer[0], layer[1])