调参侠带你入门深度学习：Lenet分类实战：模型的构建

Posted 2021-12-05 神佑我调参侠

前言

为什么要再次学习呢？因为我以前都是基于飞桨学的，飞桨实现起来是真的很容易，但是吧，我虽然知道咋实现的，但是我没有能力去将其自己写出来，也不够深入，所以本次学习为了摆脱这种困境，会选择使用其他的框架深入学习！

定义模型

首先我们创建好model.py文件夹：

然后我们先来了解一下Lenet网络，

这个网络是CNN的开山之作，网络结构非常简单，很适合入门。

导入库

import torch.nn as nn #构建网络的库
import torch.nn.functional as F #函数库

书写模型的类

这个类中要包含初始化函数和前向传播函数

class Lenet(nn.Module):#继承构造自定义层的类
    def __init__(self):
        super(Lenet, self).__init__()#父类初始化
        pass

    def forward(self,x):
        pass

这里继承的类的作用是用来自定义构建我们的网络层的，然后super是父类初始化，这就相当于模板，可以套用！

初始化书写

第一个卷积层

在初始化中我们会定义我们需要的网络层，这时就得参照网络结构！

在这个图中我们是使用到了卷积操作，基础知识需要自行去补，然后我们来定义一下卷积层，参数为：通道数，卷积核数量和大小

有个重要的知识点：输出的通道数为卷积核的数量，这里第一次卷积用到的数量是16，作者定义的

self.conv1 = nn.Conv2d(3,16,5)

第一个池化层

self.pool1 = nn.MaxPool2d(2,2)#参数为池化核的大小，作者用的2

然后这里有个细节，就是池化层的大小为2时，原图像直接除以2.

第二个卷积层和池化层同上

这里我们直接给出代码：

 self.conv2 = nn.Conv2d(16,32,5)
 self.pool2 = nn.MaxPool2d(2,2)

3个全连接层

为了进行线性操作且减少计算量，会将二维数据变成一维，具体操作在后面

变成一维后，我们来进行全连接，全连接层的作用就是将我们提取到的特征映射到几个类别上，就是分类器的作用，然后我们来看一下参数怎么来的：

self.fc1 = nn.Linear(32*5*5,120)
self.fc2 = nn.Linear(120,84)
self.fc3 = nn.Linear(84, 10)

·下面这个图看懂了就全明白了。可以看我的b站视频讲解

前向传播的书写

    def forward(self,x):
        x = F.relu(self.conv1(x))
        x = self.pool1(x)
        x = F.relu(self.conv2(x))
        x = self.pool2(x)
        x = x.view(-1,32*5*5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x) #这个不用激活函数，最后要分类
        return x

这个就是这个网络的前向传播过程，relu是激活函数，为了提高模型的非线性。数据进来，卷积，池化，第二次卷积，池化，将二维转化为一维，3个全连接层，最后一层不要激活函数，因为我们要分类

测试

我们先来看一下模型的结构

import torch
model = Lenet()
print(model)

ok，然后我们输入数据来看一下

总结

那这篇文章，就到这里结束了，本以为我全都理解了，但是通过做笔记，发现了很多不足，这次是真理解了，虽然这种学习方式很慢，但是怎么说呢，质量才是最重要的，我们下篇内容再见！