动手学深度学习（Pytorch版）代码实践 -卷积神经网络-27含并行连结的网络GoogLeNet

本文主要是介绍动手学深度学习（Pytorch版）代码实践 -卷积神经网络-27含并行连结的网络GoogLeNet，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

27含并行连结的网络`GoogLeNet`

在这里插入图片描述

import torch
from torch import nn
from torch.nn import functional as F
import liliPytorch as lp
import matplotlib.pyplot as pltclass Inception(nn.Module):# c1--c4是每条路径的输出通道数def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):super().__init__()# super(Inception, self).__init__(**kwargs)# 线路1，单1x1卷积层self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)# 线路2，1x1卷积层后接3x3卷积层self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)# 线路3，1x1卷积层后接5x5卷积层self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)# 线路4，3x3最大汇聚层后接1x1卷积层self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)def forward(self, x):# 经过每条路径，并应用 ReLU 激活函数p1 = F.relu(self.p1_1(x))p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))p4 = F.relu(self.p4_2(self.p4_1(x)))# 在通道维度上连结输出return torch.cat((p1, p2, p3, p4), dim=1)# 定义模型的各个模块
b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3), # 第一个卷积层nn.ReLU(),                                            # 激活函数nn.MaxPool2d(kernel_size=3, stride=2, padding=1)      # 最大汇聚层
)b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),                     # 1x1卷积层nn.ReLU(),                                            # 激活函数nn.Conv2d(64, 192, kernel_size=3, padding=1),         # 3x3卷积层nn.ReLU(),                                            # 激活函数nn.MaxPool2d(kernel_size=3, stride=2, padding=1)      # 最大汇聚层
)b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),          # 第一个Inception块Inception(256, 128, (128, 192), (32, 96), 64),        # 第二个Inception块nn.MaxPool2d(kernel_size=3, stride=2, padding=1)      # 最大汇聚层
)b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),         # 第一个Inception块Inception(512, 160, (112, 224), (24, 64), 64),        # 第二个Inception块Inception(512, 128, (128, 256), (24, 64), 64),        # 第三个Inception块Inception(512, 112, (144, 288), (32, 64), 64),        # 第四个Inception块Inception(528, 256, (160, 320), (32, 128), 128),      # 第五个Inception块nn.MaxPool2d(kernel_size=3, stride=2, padding=1)      # 最大汇聚层
)b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),      # 第一个Inception块Inception(832, 384, (192, 384), (48, 128), 128),      # 第二个Inception块nn.AdaptiveAvgPool2d((1, 1)),                         # 自适应平均汇聚层nn.Flatten()                                          # 展平层
)# 将所有模块串联成一个完整的模型
net = nn.Sequential(b1,      # 第一模块b2,      # 第二模块b3,      # 第三模块b4,      # 第四模块b5,      # 第五模块nn.Linear(1024, 10)  # 最后一层全连接层，输出10个类别
)# 创建一个随机输入张量，并通过每一层，打印输出形状
X = torch.rand(size=(1, 1, 96, 96))
for layer in net:X = layer(X)print(layer.__class__.__name__, 'output shape:\t', X.shape)# 训练参数
lr, num_epochs, batch_size = 0.1, 10, 128
# 加载数据集
train_iter, test_iter = lp.loda_data_fashion_mnist(batch_size, resize=96)
# 训练模型
lp.train_ch6(net, train_iter, test_iter, num_epochs, lr, lp.try_gpu())
# 显示训练过程中的图表
plt.show()# 训练结果：
# 损失 0.254, 训练准确率 0.904, 测试准确率 0.866
# 1534.2 examples/sec on cuda:0# loss 0.246, train acc 0.906, test acc 0.891
# 1492.9 examples/sec on cuda:0