神经网络模型构建
采用CIFAR10中的数据，并对其进行简单的分类。以下图为例
输入：3通道，32×32 ( 经过一个5×5的卷积)
→ 变成32通道，32×32的图像 (经过2×2的最大池化)
→ 变成32通道，16×16的图像 ( 经过一个5×5的卷积)
→ 变成32通道，16×16的图像 (经过2×2的最大池化)
→ 变成32通道，8×8的图像 ( 经过一个5×5的卷积)
→ 变成64通道，8×8的图像(经过2×2的最大池化)
→ 变成64通道，4×4的图像
→ 把图像展平（Flatten）（变成64通道，1×1024 （64×4×4） 的图像）
→先通过一个线性层Linear(in_features=64 * 4 * 4, out_features=64)
→再经过一个线性层Linear(64, 10)→ 得到最终图像
以上就是一个神经网络模型的构建
神经网络中的参数设计及计算
卷积层的参数设计（以第一个卷积层conv2为例）
- 输入图像为3通道，输出图像为32通道，故：in_channels=3, out_channels=32
-
卷积核尺寸为 kernel_size=5 (5*5)
-
图像经过卷积层conv2前后的尺寸均为32×32，根据公式：
可得：
即：
若stride[0]或stride[1]设置为2,那么上面的padding也会随之扩展为-个很大的数,这很不合理。所以这里设置: stride[0] = stride[1] = 1,由此可得: padding[0] = padding[1]= 2
其余卷积层的参数设计及计算方法均同上。
最大池化操作的参数设计（以第一个池化操作maxpool为例）
根据计算神经网络 torch.nn---Pooling layers(nn.MaxPool2d)-CSDN博客
可以得到卷积核尺寸为 kernel_size=2
其他参数为默认值
线性层的参数设计
-
通过三次卷积和最大池化操作后，图像尺寸变为64通道4×4。之后使用Flatten()函数将图像展成一列，此时图像尺寸变为：1×(64×4×4)，即1×1024
-
因此，之后通过第一个线性层，(in_features=64 * 4 * 4, out_features=64)
-
第二个线性层，(in_features=64 , out_features=10)
程序代码
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Linear, Sequential, Flatten
from torch.utils.tensorboard import SummaryWriter
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model = Sequential(
Conv2d(3, 32, kernel_size=5, padding=2),
MaxPool2d(kernel_size=2),
Conv2d(32, 32, kernel_size=5, padding=2),
MaxPool2d(kernel_size=2),
Conv2d(32, 64, kernel_size=5, padding=2),
MaxPool2d(kernel_size=2),
Flatten(),
Linear(in_features=64 * 4 * 4, out_features=64),
Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
tudui = Tudui()
print(tudui)
input = torch.ones(64, 3, 32, 32)
output = tudui(input)
print(output.shape)
# 可视化神经网络
writer = SummaryWriter('logs')
writer.add_graph(tudui, input)
writer.close()
这样就可以清晰地看到神经网络的相关参数
