PyTorch入门学习（十二）：神经网络-搭建小实战和Sequential的使用

目录

一、介绍

二、先决条件

三、代码解释

---

一、介绍

在深度学习领域，构建复杂的神经网络模型可能是一项艰巨的任务，尤其是当您有许多层和操作需要组织时。幸运的是，PyTorch提供了一个方便的工具，称为Sequential API，它简化了神经网络架构的构建过程。在本文中，将探讨如何使用Sequential API构建一个用于图像分类的卷积神经网络（CNN）。接下来将详细探讨每部分代码，并讨论每个组件，并清楚地了解如何在项目中充分利用PyTorch的Sequential API。

二、先决条件

• 对神经网络和PyTorch有基本了解。
• 安装了PyTorch的Python环境。

三、代码解释

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.tensorboard import SummaryWriter

在此代码片段中，导入了必要的库，包括PyTorch及其用于神经网络操作的模块，以及用于TensorBoard可视化的SummaryWriter。

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10),
        )

Tudui类定义了神经网络模型。并使用Sequential API创建一系列层和操作，而不是逐一定义每个层并分别管理它们。在这种情况下，我们有三个卷积层，每个卷积层后跟一个最大池化层。然后，将输出展平并添加两个全连接（线性）层。这些层是按顺序定义的，使代码更加简明和可读。

    def forward(self, x):
        x = self.model1(x)
        return x

在forward方法中，通过模型构造函数传递输入张量x。由于层在self.model1中按顺序组织，并不需要在前向传递中单独调用每个层。这简化了代码并增强了其清晰度。

tudui = Tudui()

创建了Tudui模型的一个实例。

input = torch.ones((64, 3, 32, 32))
output = tudui(input)

生成一个形状为(64, 3, 32, 32)的示例输入张量，并将其通过模型传递以获得输出。

writer = SummaryWriter("logs")
writer.add_graph(tudui, input)
writer.close()

为了使用TensorBoard可视化模型的架构和计算图，所以创建了一个SummaryWriter并添加了图形。这一步对于调试和理解数据流经网络的过程非常有价值。

完整代码如下：

"""
输入大小为3*32*32
经过3次【5*5卷积核卷积-2*2池化核池化】操作后，输出为64*4*4大小
展平后为1*1024大小
经过全连接层后输出为1*10
"""
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.tensorboard import SummaryWriter
 
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        # self.conv1 = Conv2d(3,32,5,padding=2)
        #         # self.maxpool1 = MaxPool2d(2)
        #         # self.conv2 = Conv2d(32,32,5,padding=2)
        #         # self.maxpool2 = MaxPool2d(2)
        #         # self.conv3 = Conv2d(32,64,5,padding=2)
        #         # self.maxpool3 = MaxPool2d(2)
        #         # self.flatten = Flatten()
        #         # self.linear1 = Linear(1024,64)
        #         # self.linear2 = Linear(64,10)
# 构建一个序列化的container，可以把想要在神经网络中添加的操作都放进去，按顺序进行执行。
        self.model1 =Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10),
        )
    """
    可以看到上面神经网络进行搭建时非常繁琐，在init中进行了多个操作的定以后需要在forward中逐次进行调用，
    因此我们使用sequential方法，在init方法中直接定义一个model，然后在下面的forward方法中直接使用一次model即可。
    """
    def forward(self,x):
        # x = self.conv1(x)
        # x = self.maxpool1(x)
        # x = self.conv2(x)
        # x = self.maxpool2(x)
        # x = self.conv3(x)
        # x = self.maxpool3(x)
        # x = self.flatten(x)
        # x = self.linear1(x)
        # x = self.linear2(x)
 
        x = self.model1(x)
        return x
 
 
 
tudui = Tudui()
print(tudui)
input = torch.ones((64,3,32,32))
output = tudui(input)
print(output.shape)
 
writer = SummaryWriter("logs")
writer.add_graph(tudui,input)
writer.close()

参考资料：

视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】