如何使用 PyTorch 构建具有 400 个节点隐藏层的 CNN？答案

【问题标题】：How to construct CNN with 400 nodes hidden layer using PyTorch?如何使用 PyTorch 构建具有 400 个节点隐藏层的 CNN？
【发布时间】：2021-08-17 03:59:21
【问题描述】：

我想使用 PyTorch 创建具有 400 个节点的卷积层，如下所示，条件为具有 400 个隐藏神经元/输出为 10 的全连接线性层，将图像展平为输入向量，并使用 ReLU 函数。

当我打印出x.shape 时，它会返回torch.Size([1024, 300]) 和torch.Size([1024, 10])，而我的第一层是torch.Size([100, 3, 32, 32])。我很困惑如何构建这个简单的 CNN 以及我缺少什么。

class MyNet(nn.Module):
 def __init__(self):
  super(MyNet, self).__init__()
  self.relu = nn.ReLU()
  self.fc1 = torch.nn.Linear(400, 10)

  def forward(self, x):
   x = x.view(-1, 400)
   print(x.shape)
   x = self.relu(self.fc1(x))
   print(x.shape)

   return x

【问题讨论】：

标签： python deep-learning neural-network pytorch conv-neural-network

【解决方案1】：

我想你希望中间线性层有 400 个单元，首先是 1 个 conv 层，最后是一个有 10 个单元的线性层用于分类。

您需要这样的网络：

import torch
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):
    def __init__(self, n_channel = 3, final_conv_feature_size = (8,8), conv_filters = 32):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(n_channel, conv_filters, 3, 1) # first layer with 32 filters
        self.adapt = nn.AdaptiveMaxPool2d(final_conv_feature_size)
        self.fc1 = nn.Linear(conv_filters * final_conv_feature_size[0] * final_conv_feature_size[1] , 400)
        self.fc2 = nn.Linear(400, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.adapt(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output

model = Net()
print(model)

Net(
  (conv1): Conv2d(3, 32, kernel_size=(3, 3), stride=(1, 1))
  (adapt): AdaptiveMaxPool2d(output_size=(8, 8))
  (fc1): Linear(in_features=2048, out_features=400, bias=True)
  (fc2): Linear(in_features=400, out_features=10, bias=True)
)

【讨论】：