PyTorch项目实战10——CIFAR10数据打印网络层次-摩杜云开发者社区

在上一篇文章中介绍了CIFAR10数据的获取，今天这篇文章对其继续进行优化，创建神经网络并打印出网络层次。

1 增加引用

引入torch中的神经网络

import torch.nn as nn
import torch.nn.functional as fun

2 是否使用CUDA

在获取CIFA10数据前，首先对GPU是否存在进行判断：

首先使用CUDA；
如果没有CUDA，再选择CPU

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

3 构建网络

3.1 创建用于处理神经网络的类

class CNNNet(nn.Module):

3.2 对神经网络初始化

在初始化方法中，共定义了两层卷积网络，每个网络均进行了池化。

需要注意的是：

第二层卷积网络的输入通道数，就是上一层卷积网络的输出通道数；
池化层不会改变通道数

# 定义层级
def __init__(self):
    super(CNNNet, self).__init__()
    # 第一层卷积网络，输入通道，输出通道，卷积盒，步长
    self.conv1 = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=5, stride=1)
    # 第一个池化层，卷积盒，步长，不会改变通道数
    self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)
    # 第二层卷积网络
    self.conv2 = nn.Conv2d(in_channels=16, out_channels=36, kernel_size=3, stride=1)
    self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)
    # 全连接层，输入特征，输出特征
    self.fc1 = nn.Linear(1296, 128)
    self.fc2 = nn.Linear(128, 10)

3.3 将网络中的各层联合

上一步只是能神经网络进行了初始化，还需要将各网络层级进行串联，以确保能够发挥作用。

# 串联层级
def forward(self, x):
    # 处理卷积之后的非线性变化
    # 对原数据做第一层卷积后再进行池化操作
    x = self.pool1(fun.relu(self.conv1(x)))
    # 对做完第一层卷积的数据，再次进行第二层卷积及池化操作
    x = self.pool2(fun.relu(self.conv2(x)))
    # reshape
    x = x.view(-1, 36*6*6)
    # 完成两层全连接，并进行非线性变化
    x = fun.relu(self.fc2(fun.relu(self.fc1(x))))
    return x

3.4 打印出网络层次

在main方法的末尾，添加神经网络类的对象定义及初始化，并打印网络结构到控制台中

net = CNNNet()
net = net.to(device)

# 查看网络结构
print(net)

# 查看模型中的前四层结构
print(nn.Sequential(*list(net.children())[:4]))

运行程序，在随机展示的批次图片出现进将其关闭后，程序将输出网络层次结果

bird frog deer ship

CNNNet(

(conv1): Conv2d(3, 16, kernel_size=(5, 5), stride=(1, 1))

(pool1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)

(conv2): Conv2d(16, 36, kernel_size=(3, 3), stride=(1, 1))

(pool2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)

(fc1): Linear(in_features=1296, out_features=128, bias=True)

(fc2): Linear(in_features=128, out_features=10, bias=True)

)

Sequential(

(0): Conv2d(3, 16, kernel_size=(5, 5), stride=(1, 1))

(1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)

(2): Conv2d(16, 36, kernel_size=(3, 3), stride=(1, 1))

(3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)

)