Python Pytork——cnn的基本结构

我今天刚开始写pytorch，现在正在读这篇文章。 文档中给出了此代码和此说明。这些有什么关系吗？比如，这是给定代码网络的结构还是架构

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


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # Max pooling over a (2, 2) window
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # If the size is a square you can only specify a single number
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]  # all dimensions except the batch dimension
        num_features = 1
        for s in size:
            num_features *= s
        return num_features


net = Net()
print(net)

CNN架构的链接：

---

是的，图像中的网络由代码表示。这里，C1，C3。。。表示卷积层和S2，S4。。。最大池层数。显示的尺寸是穿过每一层后的图像尺寸。您可以使用以下步骤进行检查：

图像的输入尺寸为（1,32,32），对应于（通道、高度、宽度）。通过C1后：

Conv2d（1,6,5）

尺寸将为（6,28,28），可以通过以下公式找到：

output dim=（input\u dim-filter\u size+2*padding）/stride+1

。然后，通过S2:

max_pool2d

，空间大小将减少一半，即尺寸将为（6,14,14）。同样，您可以检查进一步的维度，并亲自证明图像与代码相对应

---

您可以检查以计算图像尺寸。

欢迎使用StackOverflow。请按照您创建此帐户时的建议，阅读并遵循帮助文档中的发布指南，在这里申请。StackOverflow不是设计、编码、研究或教程资源。请检查一般问题。