pytorch学习

nn.Module是所有神经单元的基类

pytorch在nn.Module中实现了__call__，而在__call__方法中调用了forward函数

 

（内容来自于pytorch系列 ----暂时就叫5的番外吧： nn.Modlue及nn.Linear 源码理解_墨氲的博客-优快云博客pytorch系列 ----暂时就叫5的番外吧： nn.Modlue及nn.Linear 源码理解_墨氲的博客-优快云博客pytorch系列 ----暂时就叫5的番外吧： nn.Modlue及nn.Linear 源码理解_墨氲的博客-优快云博客）

因为每一个类都继承父类

model = nn.Sequential(
                  nn.Conv2d(1,20,5),
                  nn.ReLU(),
                )
print(model)
-----------------------------
Sequential(
  (0): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
  (1): ReLU()
)

Sequential继承了nn.Module父类，调用了Sequential的forward函数，将层添加进去，print（model）就可输出，Sequential也为第一种模型定义

还有一个是，使用OrderedDict，OrderedDict为按照有序插入顺序储存的有序字典，也可按照key， val进行排序，详情这篇文章

第二种：nn.ModuleList()

net = nn.ModuleList([nn.Linear(784, 256), nn.ReLU()])
net.append(nn.Linear(256, 10)) # # 类似List的append操作
print(net[-1])  # 类似List的索引访问
print(net)
----------------------------
Linear(in_features=256, out_features=10, bias=True)
ModuleList(
  (0): Linear(in_features=784, out_features=256, bias=True)
  (1): ReLU()
  (2): Linear(in_features=256, out_features=10, bias=True)
)

第三种为：nn.ModuleDict()，nn.ModuleDict能更方便为神经网络添加名称

net = nn.ModuleDict({
    'linear': nn.Linear(784, 256),
    'act': nn.ReLU(),
})
net['output'] = nn.Linear(256, 10) # 添加
print(net['linear']) # 访问
print(net.output)
print(net)
-------------------------------
Linear(in_features=784, out_features=256, bias=True)
Linear(in_features=256, out_features=10, bias=True)
ModuleDict(
  (act): ReLU()
  (linear): Linear(in_features=784, out_features=256, bias=True)
  (output): Linear(in_features=256, out_features=10, bias=True)
)

源代码前点此

二：修改模型

以一个场景为例，为了增加特征图的所蕴含的信息，可以将预处理的图像进行与神经网络卷积所得的特征图进行相加

add = image # 预处理的图片
transf = transforms.ToTensor()
img_tensor = transf(img)
class Model(nn.Model):
    def __int__(self, inp, out):
        super(Model,self).__int__()
        self.conv1 = nn.Conv2d(inp, out, 1, 1, bias=False)
        self.conv2 = nn.Conv2d(inp, out, 1, 1, bias=False)
        self.bn = nn.BatchNorm2d(2 * out)
   def forward(self, x, add):
        x = self.conv1(x)
        x1 = torch.cat((self.conv2(x), add.unsqueeze(1)), 1)
        x = self.bn(x1)
        return x， x1


model = Model(inp, out)
outputs, outx1 = model(inputs, img_tensor )

暂时学到这些，后续学到新的在更新