PyTorch——搭建小实战和Sequential的使用（7）
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linearclass TY(nn.Module):def __init__(self):"""初始化TY卷积神经网络模型模型结构：3层卷积+池化，2层全连接设计目标：处理32x32像素的RGB图像分类任务"""# 调用父类构造函数super(TY, self).__init__()# 卷积层1: 输入3通道(RGB)，输出32通道# 5x5卷积核，padding=2保持特征图尺寸不变self.conv1 = Conv2d(3, 32, 5, padding=2)# 最大池化层1: 2x2窗口，步长2，尺寸减半self.maxpool1 = MaxPool2d(2)# 卷积层2: 输入32通道，输出32通道self.conv2 = Conv2d(32, 32, 5, padding=2)# 最大池化层2self.maxpool2 = MaxPool2d(2)# 卷积层3: 输入32通道，输出64通道# 增加通道数提取更复杂特征self.conv3 = Conv2d(32, 64, 5, padding=2)# 最大池化层3self.maxpool3 = MaxPool2d(2)# 展平多维张量为一维向量self.flatten = Flatten()# 全连接层1: 输入1024维，输出64维# 1024 = 64通道 x 4x4特征图(经过3次池化后尺寸为32→16→8→4)self.Linear1 = Linear(1024, 64)# 全连接层2: 输入64维，输出10维(对应10个分类类别)self.Linear2 = Linear(64, 10)def forward(self, x):"""定义模型前向传播过程参数:x: 输入张量，形状为[batch_size, 3, 32, 32]返回:x: 输出张量，形状为[batch_size, 10]"""# 第一层卷积+ReLU激活+池化# 输入: [batch, 3, 32, 32] → 输出: [batch, 32, 16, 16]x = self.conv1(x)x = self.maxpool1(x)# 第二层卷积+ReLU激活+池化# 输入: [batch, 32, 16, 16] → 输出: [batch, 32, 8, 8]x = self.conv2(x)x = self.maxpool2(x)# 第三层卷积+ReLU激活+池化# 输入: [batch, 32, 8, 8] → 输出: [batch, 64, 4, 4]x = self.conv3(x)x = self.maxpool3(x)# 展平操作# 输入: [batch, 64, 4, 4] → 输出: [batch, 64*4*4=1024]x = self.flatten(x)# 全连接层1 + ReLU激活# 输入: [batch, 1024] → 输出: [batch, 64]x = self.Linear1(x)# 全连接层2 (分类层)# 输入: [batch, 64] → 输出: [batch, 10]x = self.Linear2(x)return x# 创建模型实例
ty = TY()
# 打印模型结构
print(ty)# 创建测试输入：64张32x32的RGB图像(全1值)
input = torch.ones((64, 3, 32, 32))
# 执行前向传播
output = ty(input)
# 打印输出形状，应为[64, 10]
print(f"输出形状: {output.shape}")
torch.ones用法
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.tensorboard import SummaryWriter# 定义TY卷积神经网络模型，继承自PyTorch的nn.Module
class TY(nn.Module):def __init__(self):# 调用父类构造函数super(TY,self).__init__()# 使用Sequential容器构建网络，按顺序堆叠各层self.model1 = Sequential(# 第一个卷积层：3通道输入，32通道输出，5x5卷积核，padding=2保持尺寸Conv2d(3,32,5,padding=2),# 第一个池化层：2x2窗口，下采样至16x16MaxPool2d(2),# 第二个卷积层：32通道输入，32通道输出Conv2d(32,32,5,padding=2),# 第二个池化层：下采样至8x8MaxPool2d(2),# 第三个卷积层：32通道输入，64通道输出Conv2d(32,64,5,padding=2),# 第三个池化层：下采样至4x4MaxPool2d(2),# 展平多维张量为一维向量：64x4x4=1024Flatten(),# 第一个全连接层：1024维输入，64维输出Linear(1024,64),# 第二个全连接层：64维输入，10维输出（对应10个分类）Linear(64, 10),)def forward(self, x):# 定义前向传播路径x = self.model1(x)return x# 创建模型实例
ty = TY()
# 打印模型结构
print(ty)
# 创建测试输入：64个样本，3通道，32x32尺寸
input = torch.ones((64,3,32,32))
# 执行前向传播
output = ty(input)
# 打印输出形状，验证网络结构正确性
print(output.shape)# 创建TensorBoard日志写入器，保存日志到'./logs_seq'目录
writer = SummaryWriter("./logs_seq")
# 将模型结构写入TensorBoard，便于可视化分析
writer.add_graph(ty,input)
# 关闭写入器，释放资源
writer.close()
