神经网络入门实战：（十四）pytorch 官网内置的 CIFAR10 数据集，及其网络模型

(一) pytorch 官网内置的网络模型

图像处理：

Models and pre-trained weights — Torchvision 0.20 documentation

(二) CIFAR10数据集的分类网络模型（仅前向传播）：

下方的网络模型图片有误，已做修改，具体情参考代码。

在这里插入图片描述

1）代码如下：

无 Sequential() 函数的 demo ：
Sequential() 函数可以快速定义一个前馈神经网路，按顺序堆叠不同的层，但是要保证层之间的输入和输出尺寸要匹配。

import torch
from torch import nn
import torchvision
from torchvision import transforms
from torch.utils.data import DataLoaderclass CIFAR10_NET(nn.Module):def __init__(self):super(CIFAR10_NET, self).__init__()self.conv1 = nn.Conv2d(3, 32, 5,padding=2) # 输入输出尺寸相同，故根据公式计算出padding的值self.pool1 = nn.MaxPool2d(2, 2)self.conv2 = nn.Conv2d(32, 32, 5,padding=2)self.pool2 = nn.MaxPool2d(2, 2)self.conv3 = nn.Conv2d(32, 64, 5,padding=2)self.pool3 = nn.MaxPool2d(2, 2)self.flatten = nn.Flatten()self.linear1 = nn.Linear(1024, 64)self.linear2 = nn.Linear(64, 10)def forward(self, x):x = self.conv1(x)x = self.pool1(x)x = self.conv2(x)x = self.pool2(x)x = self.conv3(x)x = self.pool3(x)x = self.flatten(x)x = self.linear1(x)x = self.linear2(x)return xCIFAR10_NET_Instance = CIFAR10_NET()
print(CIFAR10_NET_Instance)

有 Sequential() 函数的 demo ：

import torch
from torch import nn
from torch.utils.tensorboard import SummaryWriterclass CIFAR10_NET(nn.Module):def __init__(self):super(CIFAR10_NET, self).__init__()self.model = nn.Sequential(nn.Conv2d(3, 32, 5, padding=2),  # 输入输出尺寸相同，故根据卷积层的公式计算出padding的值，此时默认stride=1nn.MaxPool2d(2, 2),nn.Conv2d(32, 32, 5, padding=2),nn.MaxPool2d(2, 2),nn.Conv2d(32, 64, 5, padding=2),nn.MaxPool2d(2, 2),nn.Flatten(),nn.Linear(1024, 64),nn.Linear(64, 10))def forward(self, x):x = self.model(x)return xCIFAR10_NET_Instance = CIFAR10_NET()
print(CIFAR10_NET_Instance)writer = SummaryWriter('logs')
writer.add_graph(CIFAR10_NET_Instance, (torch.rand(1, 3, 32, 32), )) # 在tensorboard中将计算图可视化
writer.close()

在命令行使用 tensorboard 的效果图：

在这里插入图片描述

双击网络模型名：

在这里插入图片描述

继续双击会出现更多的细节内容！！

2）注意点：

如果想要输入和输出的尺寸相同的话，需要按照卷积层中的公式来计算 padding 和 stride 的值，具体情参考笔记（十）。

一般先搭建网络，在导入数据集之前，往往先用以下代码进行测试：

# 先创建网络模型实例，假设为 test_net
input = torch.ones((64,in_channels,H_in,W_in)) # in_channels、H_in、W_in根据数据集的输入设置
output = test_net(input)
print(output.shape)