快捷導(dǎo)航

pytorch神經(jīng)網(wǎng)絡(luò)之卷積層與全連接層參數(shù)的設(shè)置方法

更新時間：2019年08月18日 10:43:46 作者：嘿芝麻

今天小編就為大家分享一篇pytorch神經(jīng)網(wǎng)絡(luò)之卷積層與全連接層參數(shù)的設(shè)置方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

當(dāng)使用pytorch寫網(wǎng)絡(luò)結(jié)構(gòu)的時候，本人發(fā)現(xiàn)在卷積層與第一個全連接層的全連接層的input_features不知道該寫多少？一開始本人的做法是對著pytorch官網(wǎng)的公式推，但是總是算錯。

后來發(fā)現(xiàn)，寫完卷積層后可以根據(jù)模擬神經(jīng)網(wǎng)絡(luò)的前向傳播得出這個。

全連接層的input_features是多少。首先來看一下這個簡單的網(wǎng)絡(luò)。這個卷積的Sequential本人就不再啰嗦了，現(xiàn)在看nn.Linear(？？？, 4096)這個全連接層的第一個參數(shù)該為多少呢？

請看下文詳解。

class AlexNet(nn.Module):
  def __init__(self):
    super(AlexNet, self).__init__()

    self.conv = nn.Sequential(
      nn.Conv2d(3, 96, kernel_size=11, stride=4),
      nn.ReLU(inplace=True),
      nn.MaxPool2d(kernel_size=3, stride=2),

      nn.Conv2d(96, 256, kernel_size=5, padding=2),
      nn.ReLU(inplace=True),
      nn.MaxPool2d(kernel_size=3, stride=2),

      nn.Conv2d(256, 384, kernel_size=3, padding=1),
      nn.ReLU(inplace=True),
      nn.Conv2d(384, 384, kernel_size=3, padding=1),
      nn.ReLU(inplace=True),
      nn.Conv2d(384, 256, kernel_size=3, padding=1),
      nn.ReLU(inplace=True),
      nn.MaxPool2d(kernel_size=3, stride=2)
    )

    self.fc = nn.Sequential(
      nn.Linear(？？？, 4096)
      ......
      ......
    )

首先，我們先把forward寫一下：

  def forward(self, x):
    x = self.conv(x)
    print x.size()

就寫到這里就可以了。其次，我們初始化一下網(wǎng)絡(luò)，隨機一個輸入：

import torch
from Alexnet.AlexNet import *
from torch.autograd import Variable

if __name__ == '__main__':
  net = AlexNet()

  data_input = Variable(torch.randn([1, 3, 96, 96])) # 這里假設(shè)輸入圖片是96x96
  print data_input.size()
  net(data_input)

結(jié)果如下：