pytoch-基本卷积网络结构, 参数提取,参数初始化

基本卷积网络结构net.py 

from torch import nn

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        layer1 = nn.Sequential() # 将网络模型进行添加
        layer1.add_module(conv1, nn.Conv2d(3, 32, 3, 1, padding=1)) # nn.Conv
        layer1.add_module(relu1, nn.ReLU(True))
        layer1.add_module(pool1, nn.MaxPool2d(2, 2))
        self.layer1 = layer1

        layer2 = nn.Sequential()
        layer2.add_module(conv2, nn.Conv2d(32, 64, 3, 1, padding=1))
        layer2.add_module(relu2, nn.ReLU(True))
        layer2.add_module(pool2, nn.MaxPool2d(2, 2))
        self.layer2 = layer2

        layer3 = nn.Sequential()
        layer3.add_module(conv3, nn.Conv2d(64, 128, 3, 1, padding=1))
        layer3.add_module(relu3, nn.ReLU(True))
        layer3.add_module(pool3, nn.MaxPool2d(2, 2))
        self.layer3 = layer3

        layer4 = nn.Sequential()
        layer4.add_module(fc1, nn.Linear(2048, 512))
        layer4.add_module(fc_relu1, nn.ReLU(True))
        layer4.add_module(fc2, nn.Linear(512, 64))
        layer4.add_module(fc_relu2, nn.ReLU(True))
        layer4.add_module(fc3, nn.Linear(64, 10))
        self.layer4 = layer4

    def forward(self, x):
        conv1 = self.layer1(x)
        conv2 = self.layer2(conv1)
        conv3 = self.layer3(conv2)
        fc_input = conv3.view(conv3.size(0), -1)
        fc_out = self.layer4(fc_input)

        return fc_out

model = SimpleCNN()
# print(model) # 打印输出网络结构

提取前两层的网络结构

new_model = nn.Sequential(*list(model.children())[:2])  # 提取前两层的网络结构, 构造nn.Sequential网络串接, * 表示将里面的内容一个个传进去

提取所有层的网络结构

conv_model = nn.Sequential()
# 提取所有的卷积层操作, model.name_modules() 提取所有层的网络结构
for name, layer in model.named_modules():
    if isinstance(layer, nn.Conv2d):
        name = name.replace(., _)
        conv_model.add_module(name, layer)
print(conv_model)
相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在,都有一个你没有努力的曾经。
公众号推荐
   一个历史类的公众号,欢迎关注
一两拨千金