将简单的cnn从keras转换为pytorch

有人能帮我把这个模型换成PyTorch吗？我已经试着像这样从Keras转换到PyTorch，但训练结果不同。多谢各位

input_3d = (1, 64, 96, 96)
pool_3d = (2, 2, 2)
model = Sequential()
model.add(Convolution3D(8, 3, 3, 3, name='conv1', input_shape=input_3d,
                          data_format='channels_first'))
model.add(MaxPooling3D(pool_size=pool_3d, name='pool1'))
model.add(Convolution3D(8, 3, 3, 3, name='conv2',data_format='channels_first'))
model.add(MaxPooling3D(pool_size=pool_3d, name='pool2'))
model.add(Convolution3D(8, 3, 3, 3, name='conv3',data_format='channels_first'))
model.add(MaxPooling3D(pool_size=pool_3d, name='pool3'))
model.add(Flatten())
model.add(Dense(2000, activation='relu', name='dense1'))
model.add(Dropout(0.5, name='dropout1'))
model.add(Dense(500, activation='relu', name='dense2'))
model.add(Dropout(0.5, name='dropout2'))
model.add(Dense(3, activation='softmax', name='softmax'))


_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1 (Conv3D)               (None, 8, 60, 94, 94)     224       
_________________________________________________________________
pool1 (MaxPooling3D)         (None, 8, 30, 47, 47)     0         
_________________________________________________________________
conv2 (Conv3D)               (None, 8, 28, 45, 45)     1736      
_________________________________________________________________
pool2 (MaxPooling3D)         (None, 8, 14, 22, 22)     0         
_________________________________________________________________
conv3 (Conv3D)               (None, 8, 12, 20, 20)     1736      
_________________________________________________________________
pool3 (MaxPooling3D)         (None, 8, 6, 10, 10)      0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 4800)              0         
_________________________________________________________________
dense1 (Dense)               (None, 2000)              9602000   
_________________________________________________________________
dropout1 (Dropout)           (None, 2000)              0         
_________________________________________________________________
dense2 (Dense)               (None, 500)               1000500   
_________________________________________________________________
dropout2 (Dropout)           (None, 500)               0         
_________________________________________________________________
softmax (Dense)              (None, 3)                 1503      
=================================================================

---

您的Pytork等效Keras模型如下所示：

类别CNN（nn.模块）：
定义初始值（self，）：
超级（美国有线电视新闻网，赛尔夫）。\uuuuu init\uuuuuuuu（）
self.maxpool=nn.MaxPool3d（（2,2,2））
self.conv1=nn.Conv3d（输入通道=1，输出通道=8，内核大小=3）
self.conv2=nn.Conv3d（输入通道=8，输出通道=8，内核大小=3）
self.conv3=nn.Conv3d（输入通道=8，输出通道=8，内核大小=3）
self.linear1=nn.Linear（48002000）
self.dropout1=nn.Dropout3d（0.5）
self.linear2=nn.Linear（2000500）
self.dropout2=nn.Dropout3d（0.5）
自线性3=nn线性（500,3）
def前进（自身，x）：
out=self.maxpool（self.conv1（x））
out=self.maxpool（self.conv2（out））
out=self.maxpool（self.conv3（out））
#压扁工艺
b、 c、d、h、w=输出尺寸（）#批次尺寸、通道、深度、高度、宽度
out=out.view（-1，c*d*h*w）
out=自退学1（自线性1（out））
退出=自退出2（自线性2（退出））
out=自线性3（out）
out=火炬.软最大值（out，1）
返回

用于测试模型的驱动程序：

inputs=torch.randn（8,1,64,96,96）
模型=CNN（）
输出=模型（输入）
打印（输出.形状）#火炬.尺寸（[8,3]）

您可以保存keras重量，然后在pytorch中重新加载。 步骤如下
第0步：在Keras中培训模型
步骤1：在PyTorch中重新创建并初始化模型架构
步骤2：导入Keras模型并复制权重
第3步：将这些重量加载到PyTorch模型上
步骤4：测试并保存Pytorch型号。
你们可以在这里学习这个例子