Question

在这里，我正在尝试设计一个具有2个卷积层，2个残差单元和一个完全连接的层，然后是一个分类层的CNN模型。我们使用

-3x3卷积内核（resnet单元的步幅为1，卷积层的步幅为2） -ReLU用于激活功能 -max仅在卷积层之后才使用内核2x2和跨度2的池。

我想在隐藏层中定义要素地图的数量为：16、16、16、32、32、32、64（第1层，...，第7层）。

输入->卷积1-> ResNetBlock1->卷积2-> ResNetBlock2-> FC->输出

我在这里写了我的代码。注意：我经常参考本教程。

http://www.pabloruizruiz10.com/resources/CNNs/ResNet-PyTorch.html

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

#3x3 kernel=3
def conv3x3(in_channels, out_channels, stride=1):
    return nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)

class BasicBlock(nn.Module):
    expansion = 1

    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(BasicBlock, self).__init__()
        self.conv1 = conv3x3(inplanes, planes, stride)
        #pooling 2
        self.maxpool = nn.MaxPool2d(kernel_size=2, stride=2, padding=1)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = conv3x3(planes, planes)
        self.maxpool = nn.MaxPool2d(kernel_size=2, stride=2, padding=1)
        self.downsample = downsample
        self.stride = stride

    def forward(self, x):
            residual = x

            out = self.conv1(x)
            out = self.maxpool(out)
            out = self.relu(out)

            out = self.conv2(out)
            out = self.maxpool(out)

            if self.downsample is not None:
                residual = self.downsample(x)

            out += residual
            out = self.relu(out)

            return out

class Convnet_Resnet_Layer(nn.Module):

    def __init__(self, block, layers, num_classes=2):
        self.inplanes = 1
        super(Convnet_Resnet_Layer, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=2, padding=3,
                               bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self._make_layer(block, 16, layers[0])
        self.conv2 = nn.Conv2d(32, 32, kernel_size=3, stride=2, padding=3,
                               bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        #connect 64 on the last layer, with the 2 blocks
        self.fc = nn.Linear(64 * block.expansion, num_classes)

        # make sure that dimensions check out. 
    def _make_layer(self, block, planes, blocks, stride=1):
            downsample = None
            if stride != 1 or self.inplanes != planes * block.expansion:
                downsample = nn.Sequential(
                    nn.Conv2d(self.inplanes, planes * block.expansion,
                              kernel_size=1, stride=stride, bias=False),
                )

            layers = []
            layers.append(block(self.inplanes, planes, stride, downsample))
            self.inplanes = planes * block.expansion
            for i in range(1, blocks):
                layers.append(block(self.inplanes, planes))

            return nn.Sequential(*layers)

    def forward(self, x):
            x = self.conv1(x)    # 224x224   
            x = self.relu(x)
            x = self.maxpool(x)  # 112x112
            x = self.layer1(x)   # 56x56

            x = self.conv2(x)        
            x = self.relu(x)
            x = self.maxpool(x)  
            x = self.layer2(x)   # 28x28

            # I did average pooling here. Can just omit if you want, but parameters will change
            x = self.avgpool(x)  # 1x1

            x = x.view(x.size(0), -1)
            x = self.out(x)

            return x
# call the model and pass the list with the information of the blocks for each layer
model1 = Convnet_Resnet_Layer(BasicBlock, [2, 3,4 ])
print(model1)

结果如下：

Convnet_Resnet_Layer（（conv1）：Conv2d（1，16，kernel_size =（3，3），步幅=（2，2），padding =（3，3），bias = False）（relu）：ReLU（inplace）（maxpool）：MaxPool2d（kernel_size = 3，stride = 2，padding = 1，dilation = 1，ceil_mode = False）（第1层）：顺序（（0）：基本块（（conv1）：Conv2d（1，16，kernel_size =（3，3），步幅=（1，1），padding =（1，1），bias = False）（maxpool）：MaxPool2d（kernel_size = 2，stride = 2，padding = 1，dilation = 1，ceil_mode = False）（relu）：ReLU（inplace）（conv2）：Conv2d（16，16，kernel_size =（3，3），步幅=（1，1），填充=（1，1），bias = False）（降采样）：顺序（（0）：Conv2d（1、16，kernel_size =（1、1），步幅=（1、1），bias = False）））（1）：BasicBlock（（conv1）：Conv2d（16，16，kernel_size =（3，3），步幅=（1，1），填充=（1，1），bias = False）（maxpool）：MaxPool2d（kernel_size = 2，stride = 2，padding = 1，dilation = 1，ceil_mode = False）（relu）：ReLU（inplace）（conv2）：Conv2d（16，16，kernel_size =（3，3），步幅=（1，1），填充=（1，1），bias = False）））（conv2）：Conv2d（32，32，kernel_size =（3，3），步幅=（2，2），padding =（3，3），bias = False） [fc）：线性（in_features = 64，out_features = 2，bias = True））

在（conv2）之后，我没有最大池或没有显示在模型中。

我将不胜感激。

设计具有2个卷积层，2个残差单元和一个全连接层，然后是分类层的CNN模型

0 个答案: