系列文章目录

前言

今天我们来搭建一个简单的神经网络，看看各层是如何排布的。这有利于我们去理解将一个网络如何落实到Pytorch中。

模型自定义

1、嵌套型模型

1.1声明一个具有Conv，BN、ReLU的复合模型

为什么声明它？因为我想声明，记住是先有的想法，才去实现模型。我就想组合这三者，所以用如下代码去实现。
注意：你想组合10个Conv，50个BN，78个R就尽情的用代码去组合去实现，我们本节目的就是学会用Pytorch组我们的想法！！！

代码如下（示例）：

class C8L(nn.Module):									#继承module类
    def __init__(self,in_dim, out_dim, kernel):			#重载init方法
        super(CBL, self).__init__()						#调用父类init初始化
        self.conv = nn.Sequential(         				# 卷积基本单元
            nn.Conv2d(in_dim, out_dim,kernel,bias=False),# 卷积
            nn.BatchNorm2d(out_dim),					# BN
            nn.ReLU(inplace=True),                  	# relu 
        )  										
    def forward(self, x):
        x = self.conv1(x)
        output = self.out(x)
        return output

1.2.嵌套网络

在上面网络基础上再套一层壳子

代码如下（示例）：

    import torch.nn as nn
    class ResUnit(nn.Module):
        def __init__(self, in_dim, out_dim):
          	super(ResUnit, self).__init__()
          	#嵌套CBL声明1×1、3×3这2个卷积层
           	self.layer1_1 = CBL(in_dim, out_dim,1)
           	self.add_module("layer3_3", CBL(in_dim, out_dim, 3))
          	self.relu = nn.ReLU(inplace=True)

        def  forward(self, x):
          	identity = x #映射保存一份原始数据
          	# 网路堆叠层是由1×1、3×3这2个卷积组成的，中间包含BN层
          	x = self.layer1_1(x)
          	out = self.layer3_3(x)
          	# 将identity（恒等映射）与网络堆叠层输出进行相加，并经过ReLU后输出
          	out += identity
          	out = self.relu(out)
          	return out

2、堆叠排列型模型

代码如下（示例）：

    import torch
    from torch import nn
    modules = nn.Sequential() #模型顺序库 
	models.add_module("conv1", nn.Conv2d(indim, outdim, kernel))
	models.add_module('relu1', nn.ReLU())
	models.add_module('conv2', nn.Conv2d(indim, outdim, kernel))
	models.add_module('relu2', nn.ReLU())

注意:网络必须是module或用nn.ModuleList封装类型

注意：成员变量类型是Module的子类，pytorch才会注册这个模块，模型中才能被加入，否则就不会。

self.add_module(‘layer_{}’.format(i),layer)将nn.Linear声明为 module，Linear模块才被识别

class NeuralNetwork(nn.Module):
    def __init__(self, layer_num):
        super(NeuralNetwork, self).__init__()
      # self.layers = nn.ModuleList([nn.Linear(608,608) for _ in range(layer_num)])封装为module或者for迭代为module
        self.layers = [nn.Linear(608,608) for _ in range(layer_num)]
        for i,layer in enumerate(self.layers):
            self.add_module('layer_{}'.format(i),layer) 
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(608, 40),
            nn.ReLU()
        )

    def forward(self, x):
        for layer in layers:
            x = layer(x)
        logits = self.linear_relu_stack(x)
        return logits

总结

以上就是今天要讲的内容，本文简单介绍了模型搭建的基本操作，多种方式都可实现网络的添加与构建。最重要的一点是，一定要清楚的指导自己想搭建的网络架构是什么样的，再用Pytorch来实现。