卷积神经网络零基础-Alexnet网络

导包

import torch import pandas as pd import torch.nn as nn

class Mymodel

init

def __init__(self, num_cls): super(myModel, self).__init__() self.conv1 = nn.Conv2d(3, 64, 11, 4, 2) self.pool1 = nn.MaxPool2d(3, 2) self.conv2 = nn.Conv2d(64, 192, 5, 1, 2) self.pool2 = nn.MaxPool2d(3, 2) self.conv3 = nn.Conv2d(192, 384, 3, 1, 1) self.conv4 = nn.Conv2d(384, 256, 3, 1, 1) self.conv5 = nn.Conv2d(256, 256, 3, 1, 1) self.pool3 = nn.MaxPool2d(3, 2) self.pool4 = nn.AdaptiveAvgPool2d(6) self.fc1 = nn.Linear(9216, 4096) self.fc2 = nn.Linear(4096, 4096) self.fc3 = nn.Linear(4096, num_cls)

forward

def forward(self, x): x = self.conv1(x) x = self.pool1(x) x = self.conv2(x) x = self.pool2(x) x = self.conv3(x) x = self.conv4(x) x = self.conv5(x) x = self.pool3(x) x = self.pool4(x) x = x.view(x.size()[0], -1) x = self.fc1(x) x = self.fc2(x) x = self.fc3(x) return x

x = x.view(x.size()[0], -1)这是什么语法这是PyTorch 中改变张量形状的语法，用来展平（flatten）多维张量

x.size() # 返回张量形状的元组，如：torch.Size([4, 256, 6, 6])
x.size()[0] # 取第一个维度，即 batch_size（这里是4）

view()方法
用于重新组织张量的形状（类似NumPy的reshape）
不改变数据内容，只改变"视图"
参数是新形状的各个维度

1的特殊含义
表示自动计算这个维度的大小
PyTorch会根据总元素数和指定的其他维度自动推算

x = x.view(x.size()[0], -1)的作用：
保持批次维度不变（x.size()[0]）
展平其他所有维度（-1）
从4D卷积特征变成2D全连接输入
这是连接卷积层和全连接层的标准转换步骤，是深度学习中的常见操作！

原始形状：[4, 256, 6, 6]

• 总数据量 = 4 × 256 × 6 × 6 =36,864​ 个数字

展平后：[4, 9216]

• 总数据量 = 4 × 9216 =36,864​ 个数字

主函数

model = myModel(1000) data = torch.ones(4, 3, 224, 224) pred = model(data)

# 第1行：创建模型实例

myModel(1000)中的 1000表示模型最后一层全连接层（fc3）的输出维度，即模型预测的类别数量。
model = myModel(1000) # 1000表示有1000个输出类别

# 第2行：创建模拟输入数据
data = torch.ones(4, 3, 224, 224) # 创建一个形状为[4,3,224,224]的张量

# 第3行：前向传播（推理）
pred = model(data) # 将数据输入模型，得到预测结果

原始特征图：
┌─────────────────────────────┐
│ 批次1: 256×6×6 │
│ 批次2: 256×6×6 │ → 形状：[4, 256, 6, 6]
│ 批次3: 256×6×6 │
│ 批次4: 256×6×6 │
└─────────────────────────────┘

展平后：
┌─────────────────────────────┐
│ 批次1: 9216个特征 │
│ 批次2: 9216个特征 │ → 形状：[4, 9216]
│ 批次3: 9216个特征 │
│ 批次4: 9216个特征 │
└─────────────────────────────┘

model = myModel(1000) # 创建模型，告诉它“你要输出1000个分数”
data = torch.ones(4, 3, 224, 224) # 4张图片
pred = model(data) # 让模型看看这4张图是什么

这三行是神经网络的标准测试流程：创建模型 → 准备输入 → 获取输出。