pytorch神经网络搭建 模板

• • 1.数据的读取
  • 2.搭建神经网络
  • 3.使用tensorboard可视化

我们就以这串代码来讲解神经网络搭建的流程

import torch
import torchvision
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
dataset = torchvision.datasets.CIFAR10("CIFAR10",train=False,transform=torchvision.transforms.ToTensor(),download=True)
# 注意dataset中transform参数接收的是个对象，所以要加上括号,还有就是之后使用神经网络进行运算的时候需要的数据类型是tensor类型，所以transforms参数要加上。
dataloader = DataLoader(dataset,batch_size=64)

# 搭建神经网络
class Booze(nn.Module):

    # 继承nn.Module的初始化
    def __init__(self):
        super(Booze, self).__init__()
        self.maxpool1 = MaxPool2d(kernel_size=3,ceil_mode=True)

    # 重写forward函数
    def forward(self,x):
        output = self.maxpool1(x)
        return output


# 生成一个神经网络对象
obj = Booze()

writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs,targets = data
    writer.add_images("input",imgs,step)
    output = obj(imgs)
    writer.add_images("output",output,step)
    step+=1

writer.close()

搭建的流程大体上可以分为三部分：

• 1.数据的读取
• 2.搭建神经网络
• 3.使用tensorboard可视化

dataset = torchvision.datasets.CIFAR10("CIFAR10",train=False,transform=torchvision.transforms.ToTensor(),download=True)
# 注意dataset中transform参数接收的是个对象，所以要加上括号,还有就是之后使用神经网络进行运算的时候需要的数据类型是tensor类型，所以transforms参数要加上。
dataloader = DataLoader(dataset,batch_size=64)

# 搭建神经网络
class Booze(nn.Module):

    # 继承nn.Module的初始化
    def __init__(self):
        super(Booze, self).__init__()
        self.maxpool1 = MaxPool2d(kernel_size=3,ceil_mode=True)

    # 重写forward函数
    def forward(self,x):
        output = self.maxpool1(x)
        return output

继承nn.Module,继承nn.Module的初始化加上自己的初始化,重写forword方法。

# 生成一个神经网络对象
obj = Booze()

writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs,targets = data
    writer.add_images("input",imgs,step)
    output = obj(imgs)
    writer.add_images("output",output,step)
    step+=1

writer.close()