以字典查询的方式搭建网络结构并用到nn.Sequential(*a)

最新推荐文章于 2024-12-01 03:45:00 发布

原创最新推荐文章于 2024-12-01 03:45:00 发布 · 219 阅读

0 ·

CC 4.0 BY-SA版权

学习笔记专栏收录该内容

12 篇文章

订阅专栏

该博客内容展示了如何使用PyTorch构建VGG11模型。通过遍历配置字典，创建了一系列卷积层和最大池化层，最终组装成一个顺序模型。模型包括多个卷积层与池化层，用于图像特征提取。

部署运行你感兴趣的模型镜像

import torch.nn as nn
a=[]
cfgs = {
    'vgg11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],
    }
in_channels=3
for key,value in cfgs.items():
    print("\nkey:"+key)
    print("value"+str(value))
    for v in value:
        if v=="M":
           a+=[nn.MaxPool2d(kernel_size=2,stride=2)]
        else:
           conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding_mode=1)
           a += [conv2d]
           in_channels = v
b = nn.Sequential(*a)
print(b)

运行结果为

key:vgg11
value[64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M']
Sequential(
  (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1))
  (1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (2): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1))
  (3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (4): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1))
  (5): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1))
  (6): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (7): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1))
  (8): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1))
  (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (10): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1))
  (11): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1))
  (12): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)

Process finished with exit code 0

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch

Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理