之前我们使用nn.Sequential()都是直接写死的,就如下所示:
# Example of using Sequential model = nn.Sequential( nn.Conv2d(1,20,5), nn.ReLU(), nn.Conv2d(20,64,5), nn.ReLU() ) # Example of using Sequential with OrderedDict model = nn.Sequential(OrderedDict([ (‘conv1‘, nn.Conv2d(1,20,5)), (‘relu1‘, nn.ReLU()), (‘conv2‘, nn.Conv2d(20,64,5)), (‘relu2‘, nn.ReLU()) ]))
那如果我们想要根据条件一点点添加进去,那就可以使用其的add_module方法
torch.nn.
Module
.add_module
add_module(name, module)
添加子模块到当前模块中
该添加子模块能够使用给定的名字name来访问
参数:
- name (string):子模块的名字。该添加子模块能够使用给定的名字name来从该模块中被访问
- module (Module) :添加到该模块中的子模块
例子:
class Encoder(nn.Module): #输入图片的大小isize、噪声的维度nz=100、输入图片的通道nc=3、ndf=64、 def __init__(self,isize,nz,nc,ndf,ngpu,n_exter_layers=0,add_final_conv=True): super(Encoder,self).__init__() self.ngpu=ngpu # 必须为16倍数 assert isize % 16==0,"isize has to be a multiple of 16" main=nn.Sequential() # 图片的高宽缩小一倍 main.add_module(‘initial-conv-{0}-{1}‘.format(nc,ndf),nn.Conv2d(nc,ndf,4,2,1,bias=False)) main.add_module(‘initial-relu-{0}‘.format(ndf),nn.LeakyReLU(0.2,inplace=True)) csize,cndf=isize/2,ndf for t in range(n_exter_layers): #在这里面特征宽高不变,通道数也不变 main.add_module(‘extra-layers-{0}-{1}-conv‘.format(t,cndf),nn.Conv2d(cndf,cndf,3,1,1,bias=False)) main.add_module(‘extra-layers-{0}-{1}-batchnorm‘.format(t,cndf),nn.BatchNorm2d(cndf)) main.add_module(‘extra-layers-{0}-{1}-relu‘.format(t,cndf),nn.LeakyReLU(0.2,inplace=True)) # 在特征高宽仍大于4时,就添加缩小一倍高宽,通道增加一倍的卷积块 while csize>4: in_feat = cndf out_feat = cndf * 2 main.add_module(‘pyramid-{0}-{1}-conv‘.format(in_feat, out_feat),nn.Conv2d(in_feat, out_feat, 4, 2, 1, bias=False)) main.add_module(‘pyramid-{0}-batchnorm‘.format(out_feat),nn.BatchNorm2d(out_feat)) main.add_module(‘pyramid-{0}-relu‘.format(out_feat),nn.LeakyReLU(0.2, inplace=True)) cndf = cndf * 2 csize = csize / 2 # 最后一层卷积,将4*4变为1*1,得到nz = 100的噪声 if add_final_conv: main.add_module(‘final-{0}-{1}-conv‘.format(cndf, 1),nn.Conv2d(cndf, nz, 4, 1, 0, bias=False)) self.main=main def forward(self,input): if self.ngpu>1: output=nn.parallel.data_parallel(self.main,input,range(self.ngpu)) #在多个gpu上运行模型,并行计算 else: output=self.main(input) return output #如果输入的大小是3×32×32,最后的输出是100×1×1.
原文地址:https://www.cnblogs.com/wanghui-garcia/p/11278061.html
时间: 2024-10-03 22:55:49