【学习笔记】【Pytorch】十一、搭建CIFAR-10 model结构和Sequential的使用

本文链接：https://blog.youkuaiyun.com/qq_45772756/article/details/128695206

文章介绍了如何使用PyTorch构建CIFAR-10数据集的模型结构，包括多个3x5x5的卷积层与最大池化层，利用Sequential模块简化代码，以及设置合适的padding和stride以保持输出尺寸。最后展示了模型的前向传播过程和TensorBoard的可视化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

学习地址

在这里插入图片描述

input : 3@32x32，3通道32x32的图片 --> 特征图(Feature maps) : 32@32x32
即经过32个3@5x5的卷积层，输出尺寸没有变化（有x个特征图即有x个卷积核。卷积核的通道数与输入的通道数相等，即3@5x5）。
两种方法推导出padding = 2、stride = 1的值：
- 公式法：
  - 理论法：为保持输出尺寸不变，padding都是卷积核大小的一半，应该padding=kernel_size/2；奇数卷积核把中心格子对准图片第一个格子，卷积核在格子外有两层就padding=2。
input : 32@32x32 --> output : 32@16x16
即经过2x2的最大池化层，stride = 2（池化层的步长为池化核的尺寸），padding = 0，特征图尺寸减小一半。
3.input : 32@16x16 --> output : 32@16x16
即即经过32个3@5x5的卷积层，输出尺寸没有变化。padding = 2、stride = 1。
4.input : 32@16x16 --> output : 32@8x8
即经过2x2的最大池化层，stride = 2，padding = 0，通道数不变，特征图尺寸减小一半。
5.input : 32@8x8 --> output : 64@8x8
即即经过64个3@5x5的卷积层，输出尺寸没有变化。padding = 2、stride = 1。
6.input : 64@8x8 --> output : 64@4x4
即经过2x2的最大池化层，stride = 2，padding = 0，通道数不变，特征图尺寸减小一半。

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch