Question

我是pytorch的新手。这是张量流模型的架构，我想将其转换为pytorch模型。

我已经完成了大多数代码，但对一些地方感到困惑。

1）在张量流中，Conv2D函数将过滤器作为输入。但是，在pytorch中，该功能将输入通道和输出通道的大小作为输入。因此，如何找到等效数量的输入通道和输出通道，以及滤波器的大小。

2）在张量流中，致密层具有一个称为“节点”的参数。但是，在pytorch中，同一层具有2个不同的输入（输入参数的大小和目标参数的大小），如何根据节点数确定它们。

这是张量流代码。

from keras.utils import to_categorical
from keras.models import Sequential, load_model
from keras.layers import Conv2D, MaxPool2D, Dense, Flatten, Dropout

model = Sequential()
model.add(Conv2D(filters=32, kernel_size=(5,5), activation='relu', input_shape=X_train.shape[1:]))
model.add(Conv2D(filters=32, kernel_size=(5,5), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(rate=0.25))
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(rate=0.25))
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(rate=0.5))
model.add(Dense(43, activation='softmax'))

这是我的代码。

import torch.nn.functional as F
import torch



# The network should inherit from the nn.Module
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # Define 2D convolution layers
        # 3: input channels, 32: output channels, 5: kernel size, 1: stride
        self.conv1 = nn.Conv2d(3, 32, 5, 1)   # The size of input channel is 3 because all images are coloured
        self.conv2 = nn.Conv2d(32, 64, 5, 1)
        self.conv3 = nn.Conv2d(64, 128, 3, 1)
        self.conv3 = nn.Conv2d(128, 256, 3, 1)
        # It will 'filter' out some of the input by the probability(assign zero)
        self.dropout1 = nn.Dropout2d(0.25)
        self.dropout2 = nn.Dropout2d(0.5)
        # Fully connected layer: input size, output size
        self.fc1 = nn.Linear(36864, 128)
        self.fc2 = nn.Linear(128, 10)

    # forward() link all layers together,
    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = self.conv3(x)
        x = F.relu(x)
        x = self.conv4(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output

谢谢！

Answer 1

1）在pytorch中，我们将输入通道和输出通道作为输入。在第一层中，输入通道将是图像中颜色通道的数量。之后，它总是与上一层的输出通道相同（输出通道由Tensorflow中的滤镜参数指定）。

2）。 Pytorch有点令人讨厌，因为在平移转换输出时，您必须自己计算形状。您可以使用方程式来计算该值（???=（?−? +2?）/?+ 1），也可以使用形状计算功能来获取虚拟图像通过网络的conv部分后的形状。此参数将是您输入参数的大小；输出参数的大小将仅是您在下一个完全连接的层中所需的节点数。

如何将张量流模型转换为pytorch模型？

1 个答案: