13.初識Pytorch之復現VGG16及卷積神經網路圖的視覺化(Tensorboard)
搭建VGG16網路
用黃框畫出vgg中vgg16的部分，將此網路分為8個部分，s1（stage 1），s2（stage 2），s3（stage 3），s4，s5，s6，s7，s8，其中stage 出自RetinaNet
分析
公式
out_size
=
1
+
（
in_size
+
2
*
padding_size
-
kernel_size
）
/
stride
1。
input_1
224
*
224
*
3
->
112
*
112
*
64
其後有2層卷積層與1層最大池化層
224
*
224
*
3
->
224
*
224
*
64
所以input_1_1
->
（
conv
，
relu
）
代入公式
（
1
）
224
=
1
+
（
224
+
2
*
padding_size
-
kernel_size
）
/
stride
假設stride
=
1
->
224
=
1
+
（
224
+
2
*
padding_size
-
kernel_size
）
->
0
=
1
+
2
*
padding_size
-
kernel_size
假設padding_size
=
1
，
kernel_size
=
3
nn
。
Conv2d
（
in_channels
=
3
，
out_channels
=
64
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu1_1
=
nn
。
ReLU
（
inplace
=
False
）［
inplace為是否覆蓋以前的結果
，
False為不覆蓋
，
且用一個新的變數來接
，
True為覆蓋
］
224
*
224
*
64
->
224
*
224
*
64
input_1_2
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
64
，
out_channels
=
64
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu1_2
=
nn
。
ReLU
（
inplace
=
False
）
224
*
224
*
64
->
112
*
112
*
64
再計算maxpool層
input1_3
代入公式
（
1
）
112
=
1
+
（
224
+
2
*
padding_size
-
kernel_size
）
/
stride
假設stride
=
2
->
112
=
1
+
（
112
+
padding_size
-
kernel_size
/
2
）
->
0
=
1
+
padding_size
-
kernel_size
/
2
假設padding_size
=
0
，
kernel_size
/
2
=
1
->
kernel_size
=
2
nn
。
MaxPool2d
（
padding
=
0
，
kernel_size
=
2
，
stride
=
2
）
2。
input_2
112
*
112
*
64
->
56
*
56
*
128
其後有2層卷積層與1層最大池化層
112
*
112
*
64
->
112
*
112
*
128
input2_1
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
64
，
out_channels
=
128
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu2_1
=
nn
。
ReLU
（
inplace
=
False
）
112
*
112
*
128
->
112
*
112
*
128
input2_2
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
128
，
out_channels
=
128
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu2_2
=
nn
。
ReLU
（
inplace
=
False
）
112
*
112
*
128
->
56
*
56
*
128
input2_3
->
maxpool
nn
。
MaxPool2d
（
padding
=
0
，
kernel_size
=
2
，
stride
=
2
）
3。
input_3
56
*
56
*
128
->
28
*
28
*
256
其後有3層卷積層與1層最大池化層
56
*
56
*
128
->
56
*
56
*
256
input3_1
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
128
，
out_channels
=
256
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu3_1
=
nn
。
ReLU
（
inplace
=
False
）
56
*
56
*
256
->
56
*
56
*
256
input3_2
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
256
，
out_channels
=
256
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu3_2
=
nn
。
ReLU
（
inplace
=
False
）
56
*
56
*
256
->
56
*
56
*
256
input3_3
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
256
，
out_channels
=
256
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu3_3
=
nn
。
ReLU
（
inplace
=
False
）
56
*
56
*
256
->
28
*
28
*
256
input_3_4
->
maxpool
nn
。
MaxPool2d
（
padding
=
0
，
kernel_size
=
2
，
stride
=
2
）
4。
input_4
28
*
28
*
256
->
14
*
14
*
512
其後有3層卷積層與1層最大池化層
28
*
28
*
256
->
28
*
28
*
512
input_4_1
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
256
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu4_1
=
nn
。
ReLU
（
inplace
=
False
）
28
*
28
*
512
->
28
*
28
*
512
input_4_2
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu4_2
=
nn
。
ReLU
（
inplace
=
False
）
28
*
28
*
512
->
28
*
28
*
512
input_4_3
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu4_3
=
nn
。
ReLU
（
inplace
=
False
）
28
*
28
*
512
->
14
*
14
*
512
input_4_4
->
maxpool
nn
。
MaxPool2d
（
padding
=
0
，
kernel_size
=
2
，
stride
=
2
）
5。
input_5
14
*
14
*
512
->
7
*
7
*
512
其後有3層卷積層與1層最大池化層
14
*
14
*
512
->
14
*
14
*
512
input5_1
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu5_1
=
nn
。
ReLU
（
inplace
=
False
）
14
*
14
*
512
->
14
*
14
*
512
input5_2
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu5_2
=
nn
。
ReLU
（
inplace
=
False
）
14
*
14
*
512
->
14
*
14
*
512
input5_3
->
（
conv
，
relu
）
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
self
。
relu5_3
=
nn
。
ReLU
（
inplace
=
False
）
14
*
14
*
512
->
7
*
7
*
512
input_5_4
->
maxpool
nn
。
MaxPool2d
（
padding
=
0
，
kernel_size
=
2
，
stride
=
2
）
6。
input_6
7
*
7
*
512
->
1
*
1
*
4096
展平
nn
。
flatten
（）
nn
。
linear
（
7
*
7
*
512
，
1
*
1
*
4096
）
self
。
relu6
=
nn
。
ReLU
（
inplace
=
False
）
nn
。
Dropout
（
0。5
）
7。
input_7
4096
->
4096
nn
。
linear
（
4096
，
4096
）
self
。
relu7
=
nn
。
ReLU
（
inplace
=
False
）
nn
。
Dropout
（
0。5
）
8。
input_8
1
*
1
*
4096
->
1
*
1
*
100
nn
。
linear
（
4096
，
1000
）
self
。
relu8
=
nn
。
ReLU
（
inplace
=
False
）
上程式碼 1
import
torch
from
torch
import
nn
class
vgg_16
（
nn
。
Module
）：
def
__init__
（
self
）：
super
（
vgg_16
，
self
）
。
__init__
（）
# input_1
# input_1_1 224*224*3 -> 224*224*64
self
。
conv1_1
=
nn
。
Conv2d
（
in_channels
=
3
，
out_channels
=
64
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu1_1
=
nn
。
ReLU
（
inplace
=
False
）
# input_1_2 224*224*64 -> 224*224*64
self
。
conv1_2
=
nn
。
Conv2d
（
in_channels
=
64
，
out_channels
=
64
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu1_2
=
nn
。
ReLU
（
inplace
=
False
）
# input_1_3 224*224*64 -> 112*112*64
self
。
maxpool1_3
=
nn
。
MaxPool2d
（
padding
=
0
，
stride
=
2
，
kernel_size
=
2
）
# input_2
# input_2_1 112*112*64 -> 112*112*128
self
。
conv2_1
=
nn
。
Conv2d
（
in_channels
=
64
，
out_channels
=
128
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu2_1
=
nn
。
ReLU
（
inplace
=
False
）
# input_2_2 112*112*128 -> 112*112*128
self
。
conv2_2
=
nn
。
Conv2d
（
in_channels
=
128
，
out_channels
=
128
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu2_2
=
nn
。
ReLU
（
inplace
=
False
）
# input_2_3 112*112*128 -> 56*56*128
self
。
maxpool2_3
=
nn
。
MaxPool2d
（
padding
=
0
，
stride
=
2
，
kernel_size
=
2
）
# input_3
# input_3_1 56*56*128 -> 56*56*256
self
。
conv3_1
=
nn
。
Conv2d
（
in_channels
=
128
，
out_channels
=
256
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu3_1
=
nn
。
ReLU
（
inplace
=
False
）
# input_3_2 56*56*256 -> 56*56*256
self
。
conv3_2
=
nn
。
Conv2d
（
in_channels
=
256
，
out_channels
=
256
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu3_2
=
nn
。
ReLU
（
inplace
=
False
）
# input_3_3 56*56*256 -> 56*56*256
self
。
conv3_3
=
nn
。
Conv2d
（
in_channels
=
256
，
out_channels
=
256
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu3_3
=
nn
。
ReLU
（
inplace
=
False
）
# input_3_4 56*56*256 -> 28*28*256
self
。
maxpool3_4
=
nn
。
MaxPool2d
（
padding
=
0
，
stride
=
2
，
kernel_size
=
2
）
# input_4
# input_4_1 28*28*256 -> 28*28*512
self
。
conv4_1
=
nn
。
Conv2d
（
in_channels
=
256
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu4_1
=
nn
。
ReLU
（
inplace
=
False
）
# input_4_2 28*28*512 -> 28*28*512
self
。
conv4_2
=
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu4_2
=
nn
。
ReLU
（
inplace
=
False
）
# input_4_3 28*28*512 -> 28*28*512
self
。
conv4_3
=
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu4_3
=
nn
。
ReLU
（
inplace
=
False
）
# input_4_4 28*28*512 -> 14*14*512
self
。
maxpool4_4
=
nn
。
MaxPool2d
（
padding
=
0
，
stride
=
2
，
kernel_size
=
2
）
# input_5
# input_5_1 14*14*512 -> 14*14*512
self
。
conv5_1
=
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu5_1
=
nn
。
ReLU
（
inplace
=
False
）
# input_5_2 14*14*512 -> 14*14*512
self
。
conv5_2
=
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu5_2
=
nn
。
ReLU
（
inplace
=
False
）
# input_5_3 14*14*512 -> 14*14*512
self
。
conv5_3
=
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
）
self
。
relu5_3
=
nn
。
ReLU
（
inplace
=
False
）
# input_5_4 14*14*512 -> 7*7*512
self
。
maxpool5_4
=
nn
。
MaxPool2d
（
padding
=
0
，
kernel_size
=
2
，
stride
=
2
）
self
。
flatten
=
nn
。
Flatten
（）
self
。
linear6
=
nn
。
Linear
（
7
*
7
*
512
，
4096
）
self
。
relu6
=
nn
。
ReLU
（
inplace
=
False
）
self
。
drouout6
=
nn
。
Dropout
（
0。5
）
self
。
linear7
=
nn
。
Linear
（
4096
，
4096
）
self
。
relu7
=
nn
。
ReLU
（
inplace
=
False
）
self
。
drouout7
=
nn
。
Dropout
（
0。5
）
self
。
linear8
=
nn
。
Linear
（
4096
，
1000
）
self
。
relu8
=
nn
。
ReLU
（
inplace
=
False
）
def
forward
（
self
，
x
）：
# stage 1
x
=
self
。
conv1_1
（
x
）
x
=
self
。
relu1_1
（
x
）
x
=
self
。
conv1_2
（
x
）
x
=
self
。
conv1_2
（
x
）
x
=
self
。
maxpool1_3
（
x
）
# stage 2
x
=
self
。
conv2_1
（
x
）
x
=
self
。
relu2_1
（
x
）
x
=
self
。
conv2_2
（
x
）
x
=
self
。
relu2_2
（
x
）
x
=
self
。
maxpool2_3
（
x
）
# stage 3
x
=
self
。
conv3_1
（
x
）
x
=
self
。
relu3_1
（
x
）
x
=
self
。
conv3_2
（
x
）
x
=
self
。
relu3_2
（
x
）
x
=
self
。
conv3_3
（
x
）
x
=
self
。
relu3_3
（
x
）
x
=
self
。
maxpool3_4
（
x
）
# stage 4
x
=
self
。
conv4_1
（
x
）
x
=
self
。
relu4_1
（
x
）
x
=
self
。
conv4_2
（
x
）
x
=
self
。
relu4_2
（
x
）
x
=
self
。
conv4_3
（
x
）
x
=
self
。
relu4_3
（
x
）
x
=
self
。
maxpool4_4
（
x
）
# stage 5
x
=
self
。
conv5_1
（
x
）
x
=
self
。
relu5_1
（
x
）
x
=
self
。
conv5_2
（
x
）
x
=
self
。
relu5_2
（
x
）
x
=
self
。
conv5_3
（
x
）
x
=
self
。
relu5_3
（
x
）
x
=
self
。
maxpool5_4
（
x
）
# stage 6
x
=
self
。
flatten
（
x
）
x
=
self
。
linear6
（
x
）
x
=
self
。
relu6
（
x
）
x
=
self
。
drouout6
（
x
）
# stage 7
x
=
self
。
linear7
（
x
）
x
=
self
。
relu7
（
x
）
x
=
self
。
drouout7
（
x
）
# stage 8
x
=
self
。
linear8
（
x
）
x
=
self
。
relu8
（
x
）
return
x
if
__name__
==
“__main__”
：
vgg_16
=
vgg_16
（）
（
vgg_16
）
input
=
torch
。
ones
（
1
，
3
，
224
，
224
）
output
=
vgg_16
（
input
）
（
output
）
結果：
。。。
上程式碼 2
import
torch
from
torch
import
nn
class
vgg_16
（
nn
。
Module
）：
def
__init__
（
self
）：
super
（
vgg_16
，
self
）
。
__init__
（）
self
。
module
=
nn
。
Sequential
（
# input_1
# input_1_1 224*224*3 -> 224*224*64
nn
。
Conv2d
（
in_channels
=
3
，
out_channels
=
64
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_1_2 224*224*64 -> 224*224*64
nn
。
Conv2d
（
in_channels
=
64
，
out_channels
=
64
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_1_3 224*224*64 -> 112*112*64
nn
。
MaxPool2d
（
padding
=
0
，
stride
=
2
，
kernel_size
=
2
），
# input_2
# input_2_1 112*112*64 -> 112*112*128
nn
。
Conv2d
（
in_channels
=
64
，
out_channels
=
128
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_2_2 112*112*128 -> 112*112*128
nn
。
Conv2d
（
in_channels
=
128
，
out_channels
=
128
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_2_3 112*112*128 -> 56*56*128
nn
。
MaxPool2d
（
padding
=
0
，
stride
=
2
，
kernel_size
=
2
），
# input_3
# input_3_1 56*56*128 -> 56*56*256
nn
。
Conv2d
（
in_channels
=
128
，
out_channels
=
256
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_3_2 56*56*256 -> 56*56*256
nn
。
Conv2d
（
in_channels
=
256
，
out_channels
=
256
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_3_3 56*56*256 -> 56*56*256
nn
。
Conv2d
（
in_channels
=
256
，
out_channels
=
256
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_3_4 56*56*256 -> 28*28*256
nn
。
MaxPool2d
（
padding
=
0
，
stride
=
2
，
kernel_size
=
2
），
# input_4
# input_4_1 28*28*256 -> 28*28*512
nn
。
Conv2d
（
in_channels
=
256
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_4_2 28*28*512 -> 28*28*512
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_4_3 28*28*512 -> 28*28*512
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_4_4 28*28*512 -> 14*14*512
nn
。
MaxPool2d
（
padding
=
0
，
stride
=
2
，
kernel_size
=
2
），
# input_5
# input_5_1 14*14*512 -> 14*14*512
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_5_2 14*14*512 -> 14*14*512
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_5_3 14*14*512 -> 14*14*512
nn
。
Conv2d
（
in_channels
=
512
，
out_channels
=
512
，
padding
=
1
，
kernel_size
=
3
，
stride
=
1
），
nn
。
ReLU
（
inplace
=
True
），
# input_5_4 14*14*512 -> 7*7*512
nn
。
MaxPool2d
（
padding
=
0
，
kernel_size
=
2
，
stride
=
2
），
nn
。
Flatten
（），
nn
。
Linear
（
7
*
7
*
512
，
4096
），
nn
。
ReLU
（
inplace
=
True
），
nn
。
Dropout
（
0。5
，
inplace
=
True
），
nn
。
Linear
（
4096
，
4096
），
nn
。
ReLU
（
inplace
=
True
），
nn
。
Dropout
（
0。5
，
inplace
=
True
），
nn
。
Linear
（
4096
，
1000
），
nn
。
ReLU
（
inplace
=
True
），
）
def
forward
（
self
，
x
）：
x
=
self
。
module
（
x
）
return
x
if
__name__
==
“__main__”
：
vgg_16
=
vgg_16
（）
（
vgg_16
）
input
=
torch
。
ones
（
1
，
3
，
224
，
224
）
output
=
vgg_16
（
input
）
（
output
）
結果：
。。。
視覺化 上程式碼：
import torch
from torch import nn
from torch。utils。tensorboard import SummaryWriter
class vgg_16（nn。Module）：
def __init__（self）：
super（vgg_16， self）。__init__（）
self。module = nn。Sequential（
# input_1
# input_1_1 224*224*3 -> 224*224*64
nn。Conv2d（in_channels=3， out_channels=64， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_1_2 224*224*64 -> 224*224*64
nn。Conv2d（in_channels=64， out_channels=64， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_1_3 224*224*64 -> 112*112*64
nn。MaxPool2d（padding=0， stride=2， kernel_size=2），
# input_2
# input_2_1 112*112*64 -> 112*112*128
nn。Conv2d（in_channels=64， out_channels=128， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_2_2 112*112*128 -> 112*112*128
nn。Conv2d（in_channels=128， out_channels=128， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_2_3 112*112*128 -> 56*56*128
nn。MaxPool2d（padding=0， stride=2， kernel_size=2），
# input_3
# input_3_1 56*56*128 -> 56*56*256
nn。Conv2d（in_channels=128， out_channels=256， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_3_2 56*56*256 -> 56*56*256
nn。Conv2d（in_channels=256， out_channels=256， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_3_3 56*56*256 -> 56*56*256
nn。Conv2d（in_channels=256， out_channels=256， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_3_4 56*56*256 -> 28*28*256
nn。MaxPool2d（padding=0， stride=2， kernel_size=2），
# input_4
# input_4_1 28*28*256 -> 28*28*512
nn。Conv2d（in_channels=256， out_channels=512， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_4_2 28*28*512 -> 28*28*512
nn。Conv2d（in_channels=512， out_channels=512， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_4_3 28*28*512 -> 28*28*512
nn。Conv2d（in_channels=512， out_channels=512， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_4_4 28*28*512 -> 14*14*512
nn。MaxPool2d（padding=0， stride=2， kernel_size=2），
# input_5
# input_5_1 14*14*512 -> 14*14*512
nn。Conv2d（in_channels=512， out_channels=512， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_5_2 14*14*512 -> 14*14*512
nn。Conv2d（in_channels=512， out_channels=512， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_5_3 14*14*512 -> 14*14*512
nn。Conv2d（in_channels=512， out_channels=512， padding=1， kernel_size=3， stride=1），
nn。ReLU（inplace=True），
# input_5_4 14*14*512 -> 7*7*512
nn。MaxPool2d（padding=0， kernel_size=2， stride=2），
nn。Flatten（），
nn。Linear（7 * 7 * 512， 4096），
nn。ReLU（inplace=True），
nn。Dropout（0。5， inplace=True），
nn。Linear（4096， 4096），
nn。ReLU（inplace=True），
nn。Dropout（0。5， inplace=True），
nn。Linear（4096， 1000），
nn。ReLU（inplace=True），
）
def forward（self， x）：
x = self。module（x）
return x
if __name__ == “__main__”：
vgg_16 = vgg_16（）
print（vgg_16）
input = torch。ones（1， 3， 224， 224）
output = vgg_16（input）
print（output）
writer = SummaryWriter（“logs”）
writer。add_graph（vgg_16， input）
writer。close（）
結果：
上一章
遊客26024：12。初識Pytorch之搭建網路 LeNet-5復現（含nn。Sequential用法）
下一章
遊客26024：14。初識Pytorch之損失函式（Loss_funcations）
上一篇:景區摘牌，門票降價，旅遊景區如何邁向更高的發展水平？
下一篇：讓酒拖坑了?
