Question

这是我在网上找到的卷积神经网络

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(500, 50)
        self.fc2 = nn.Linear(50, 64)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 500)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x)

及其摘要

print(net)
Net(
  (conv1): Conv2d(3, 10, kernel_size=(5, 5), stride=(1, 1))
  (conv2): Conv2d(10, 20, kernel_size=(5, 5), stride=(1, 1))
  (conv2_drop): Dropout2d(p=0.5)
  (fc1): Linear(in_features=500, out_features=50, bias=True)
  (fc2): Linear(in_features=50, out_features=64, bias=True)
)

x.view的作用是什么？它与keras中的Flatten函数类似吗？另一个查询是重写pytorch如何打印模型的摘要。尽管该模型使用了两个退出nn.Dropout2d()和F.dropout。打印模型时，我们只能看到一个(conv2_drop): Dropout2d(p=0.5)，为什么？最后一个问题是为什么pytorch选择不打印F.max_pool2d图层？

Answer 1

1）x.view可以做的不仅仅是展平：它会在重塑维度时保留相同的数据。因此，使用x.view(batch_size, -1)将等同于Flatten

2）在nn.Module的__repr__函数中，打印的元素是self._modules.items()中的子元素。

F.dropout和F.max_pool2d是函数，而不是nn.Module的子函数，因此它们不是图层，不会打印。但是，对于合并和退出，torch.nn中有一个模块，您已用于第一次退出。

打印和查看功能如何在pytorch中工作？

1 个答案: