利用pytorch来构建网络模型有很多种方法,以下简单列出其中的四种。
假设构建一个网络模型如下:
首先导入几种方法用到的包:
进口火炬
进口torch.nn。功能和F
从进口OrderedDict集合
之前
<强>第一种方法
#方法1 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
类Net1 (torch.nn.Module):
def __init__(自我):
超级(Net1自我). __init__ ()
自我。conv1=torch.nn。Conv2d(3, 32岁,3,1,1)
self.dense1=torch.nn。线性(32 * 3 * 3,128)
self.dense2=torch.nn。线性(128年,10)
def向前(自我,x):
x=F.max_pool2d (F.relu (self.conv (x)), 2)
x=x.view (x.size (0) 1)
x=F.relu (self.dense1 (x))
x=self.dense2 (x)
返回x
print(方法1:)
model1=Net1 ()
打印(model1)
之前
这种方法比较常用,早期的教程通常就是使用这种方法。
<强>第二种方法
#方法2 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
类Net2 (torch.nn.Module):
def __init__(自我):
超级(Net2自我). __init__ ()
自我。conv=torch.nn.Sequential (
torch.nn。Conv2d(3, 32岁,3,1,1),
torch.nn.ReLU (),
torch.nn.MaxPool2d (2))
self.dense=torch.nn.Sequential (
torch.nn。线性(32 * 3 * 3,128),
torch.nn.ReLU (),
torch.nn。线性(128年,10)
）
def向前(自我,x):
conv_out=self.conv1 (x)
res=conv_out.view (conv_out.size (0) 1)=self.dense (res)
返回了
print(方法2:)
model2=Net2 ()
打印(model2)
之前
这种方法利用torch.nn。连续()容器进行快速搭建,模型的各层被顺序添加到容器中。缺点是每层的编号是默认的阿拉伯数字,不易区分。
<强>第三种方法:
#方法3 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
类Net3 (torch.nn.Module):
def __init__(自我):
超级(Net3自我). __init__ ()
self.conv=torch.nn.Sequential ()
torch.nn self.conv.add_module (“conv1”。Conv2d(3, 32岁,3,1,1))
self.conv.add_module (“relu1 torch.nn.ReLU ())
self.conv.add_module (“pool1 torch.nn.MaxPool2d (2))
self.dense=torch.nn.Sequential ()
self.dense.add_module (“dense1 torch.nn.Linear (32 * 3 * 3, 128))
self.dense.add_module (“relu2 torch.nn.ReLU ())
self.dense.add_module (“dense2 torch.nn.Linear(128年,10))
def向前(自我,x):
conv_out=self.conv1 (x)
res=conv_out.view (conv_out.size (0) 1)=self.dense (res)
返回了
打印(“方法3:”)
model3=Net3 ()
打印(model3)
之前
这种方法是对第二种方法的改进:通过add_module()添加每一层,并且为每一层增加了一个单独的名字只
<强>第四种方法:
#方法4 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
类Net4 (torch.nn.Module):
def __init__(自我):
超级(Net4自我). __init__ ()
自我。conv=torch.nn.Sequential (
OrderedDict (
(
(“conv1 torch.nn。Conv2d(3, 32岁,3,1,1)),
(“relu1”, torch.nn.ReLU ()),
(“池”,torch.nn.MaxPool2d (2))
]
）)
self.dense=torch.nn.Sequential (
OrderedDict ([
(“dense1 torch.nn。线性(32 * 3 * 3,128)),
(“relu2”, torch.nn.ReLU ()),
(“dense2 torch.nn。线性(128年,10))
]）
）
def向前(自我,x):
conv_out=self.conv1 (x)
res=conv_out.view (conv_out.size (0) 1)=self.dense (res)
返回了
打印(“方法4:”)
model4=Net4 ()
打印(model4)
之前
