Pytorch 构建CNN用于图片分类

Posted 2021-05-02 深度学习与PyTorch

先看一个简单的例子：

（代码可以左右滑动）

 1import torch.nn as nn
 2import torch.nn.functional as F
 3class CNN(nn.Module):
 4  def __init__(self):
 5      super(imsimpleCNN, self).__init__()
 6      self.conv1 = nn.Conv2d(1, 20, 5)
 7      self.conv2 = nn.Conv2d(20, 20, 5)
 8  def forward(self, x):
 9      x = self.conv1(x)
10      x = F.relu(x)
11      x = self.conv2(x)
12      x = F.relu(x)
13      return x

使用pytorch 构建神经网络模型比较简单，大体上需要定义两个函数，一个init，一个forward，分别用来声明一些模型用到的参数和模型的结构

该网络结构由两层构成，（1, 20, 5）分别代表的是：input_channel, output_channel, 和kernel_size, 后面还有其他的参数，比如：stride = 1, padding = 0, dilation = 1, groups = 1, bias=True
如果没有特别的设定，这些是默认的参数。

本文构建CNN模型用于图片分类

（代码可以左右滑动）

 1class imCNN(nn.Module):
 2    def __init__(self):
 3        super(imCNN, self).__init__()
 4        self.layer1 = nn.Sequential(
 5            nn.Conv2d(
 6                in_channels=1,
 7                out_channels=16,
 8                kernel_size=5,
 9                padding=2),
10            nn.BatchNorm2d(16),
11            nn.ReLU(),
12            nn.MaxPool2d(2)
13        )
14        self.layer2 = nn.Sequential(
15            nn.Conv2d(16, 32, kernel_size=5, padding=2),
16            nn.BatchNorm2d(32),
17            nn.ReLU(),
18            nn.MaxPool2d(2)
19        )
20        self.fc = nn.Linear(7 * 7 * 32, 10)
21    def forward(self, x):
22        out = self.layer1(x)
23        out = self.layer2(out)
24        out = out.view(out.size(0), -1)
25        out = self.fc(out)
26        return out

输入的图片是28*28的mnist，网络有两层的结构构成，每一层的结构都基本的相似，组成的模块有nn.Conv2d(),  nn.BatchNorm2d,  nn.Relu(),  nn.MaxPool2d()， 经过两次的pooling, 最终特征的大小变为了 [ 7, 7, 32, 10], 再经过一个全连接层，将最终的输出变为10，从而实现分类。