Week3：[任务一] 第一节模型创建与nn.Moudle

最新推荐文章于 2024-03-14 16:33:36 发布

夏目学习

最新推荐文章于 2024-03-14 16:33:36 发布

阅读量379

点赞数 2

分类专栏： Pytorch框架学习文章标签： pytorch 神经网络深度学习

本文链接：https://blog.youkuaiyun.com/qq_42261092/article/details/119456937

版权

Pytorch框架学习专栏收录该内容

19 篇文章

订阅专栏

本文介绍了深度学习网络模型的创建步骤，强调了模型构建的两大要素：子模块的初始化和前向传播实现。通过AlexNet的代码示例展示了如何构建网络结构，并详细解析了nn.Module类的属性及其在构建网络模型中的作用。此外，讨论了网络模型如何通过子模块组合以及张量运算来形成复杂的神经网络结构。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目录

网络模型创建步骤

nn.Module属性

1、网络模型创建步骤

每一个卷积层、池化层和全连接层等都是一些模块（即网络层都是一些子模块）；

各网络模型都是由子模块组成的；

节点就是张量数据（在网络模型图中就是正方形的），边就是运算；

模型构建的两个要素

构建子模块是在_ _init()_ _中

拼接子模块实际是前向传播的一个实现在forward()中

Alexnet网络搭建代码示例

import torchvision
import torch.nn as nn
import torch
from collections import OrderedDict

alexnet_ori = torchvision.models.AlexNet()
print(alexnet_ori._modules['features']._modules.keys())

class AlexNet(nn.Module):
#类的输入参数详见__init__魔法方法的形参
    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),
            'maxpool1': nn.MaxPool2d(kernel_size=3, stride=2),
            'conv2': nn.Conv2d(64, 192, kernel_size=5, padding=2),
            'relu2': nn.ReLU(inplace=True),
            'maxpool2': 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),
            'maxpool5':nn.MaxPool2d(kernel_size=3, stride=2),
        }))
        self.avgpool = nn.AdaptiveAvgPool2d((6, 6))
        self.classifier = nn.Sequential(OrderedDict({
            'dropout1': nn.Dropout(),
            'linear1': nn.Linear(256 * 6 * 6, 4096),
            'relu1': nn.ReLU(inplace=True),
            'dropout2': nn.Dropout(),
            'linear2': nn.Linear(4096, 4096),
            'relu2': nn.ReLU(inplace=True),
            'linear3': 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


alexnet = AlexNet(num_classes=2)
print(alexnet._modules['features']._modules.keys())