Pytorch 实现经典模型 AlexNet 模型

2022-11-15
天津
本文字数：1504 字
阅读完需：约 5 分钟

一：Pytorch 实现经典模型 AlexNet 模型要求：使用 pytorch 实现经典的分类模型 AlexNet,这里主要因为没有 GPU 环境，而其完整参数达到了 6000 万个，所以如 ppt 要求，在该模型的基础架构上，修改卷积核的大小以及卷积操作的步长等来模拟实现。实验设计：

实验过程：注：这里主要介绍一下 AlexNet 模型的定义，其中因为参数量过大，以及图片的输入大小变为了 64*64，所以对于每层的卷积核大小以及步长等做了相关变化。1.1AlexNet 模型定义

1.  # 定义神经网络    2.  class ALexNet(nn.Module):  # 训练 ALexNet  3.      ''''' 4.      五层卷积，三层全连接  (输入图片大小是 C x H x W  ---> 3 * 64 * 64) 5.      这里因为图片大小是64*64，所以这里重新改变了各层的步长、卷积核大小等 6.      '''   7.      def __init__(self):  8.          super(ALexNet, self).__init__()  9.          # 五个卷积层  10.          self.conv1 = nn.Sequential(  # 输入 3 * 64 * 64  输出 6*16*16   11.              nn.Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=1),   # (64-3+2)/1+1 = 64  12.              nn.ReLU(),  13.              nn.MaxPool2d(kernel_size=4, stride=4, padding=0)  # (64-4)/4+1 = 16   14.          )  15.          self.conv2 = nn.Sequential(  # 输入 6 * 16 * 16 输出 16*8*8  16.              nn.Conv2d(in_channels=6, out_channels=16, kernel_size=3, stride=1, padding=1),  # (16-3+2)/1+1 = 16   17.              nn.ReLU(),  18.              nn.MaxPool2d(kernel_size=2, stride=2, padding=0)  # (16-2)/2+1 = 8  19.          )  20.          self.conv3 = nn.Sequential(  # 输入 16 * 8 * 8  输出 32 * 8 * 8  21.              nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1), # (8-3+2)/1+1 = 8  22.              nn.ReLU()  23.          )  24.          self.conv4 = nn.Sequential(  # 输入 32 * 8 * 8  输出 64 * 8 * 8  25.              nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1), # (8-3+2)/1+1 = 8  26.              nn.ReLU()  27.          )  28.          self.conv5 = nn.Sequential(  # 输入 64 * 8 * 8 输出 128 * 1 * 1  29.              nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1),# (8-3+2)/1+1 = 8  30.              nn.ReLU(),  31.              nn.MaxPool2d(kernel_size=4, stride=4, padding=0)  # (8-4)/4 + 1 = 2   32.          )                             33.          # 最后一层卷积层，输出 128 * 2 * 2   34.          # 全连接层  35.          self.dense = nn.Sequential(  36.              nn.Linear(512, 120),  37.              nn.ReLU(),  38.              nn.Linear(120, 84),  39.              nn.ReLU(),  40.              nn.Linear(84, 3)  41.          )  42.    43.      def forward(self, x):  44.          x = self.conv1(x)  45.          x = self.conv2(x)  46.          x = self.conv3(x)  47.          x = self.conv4(x)  48.          x = self.conv5(x)  49.          x = x.view(-1, 512)  50.          x = self.dense(x)  51.          return x