Pytorch_flatten（）函数

80 阅读 0 评论 53 点赞

我是靠谱客的博主伶俐秀发，这篇文章主要介绍Pytorch_flatten（）函数，现在分享给大家，希望可以做个参考。

Talk is cheap, show me the code.

import torch

t = torch.tensor([[[1, 2],
                       [3, 4]],
                      [[5, 6],
                       [7, 8]],
                  [[9, 10],
                       [11, 12]]])
print(torch.flatten(t))
print(len(torch.flatten(t)))

#tensor([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])
#12

在什么机缘巧合的情况下我会想去用len(torch.flatten(t))求长度呢（虽然没有成功解决，但是我觉得这样去思考是好事情）？比方我在设计网络的时候最后这个全连接层的输入的时候，如果每次最后输入层我都得通过手算活着工具去计算cnn的输出feature map的size（虽然也不麻烦），但是我想着，那如果可以自己计算该多好，就想Keras里面经过flatten层后再接一个全连接层dense(num_class)这样,这也是pytorch与keras互补的地方，一个修改细节上的灵活，一个粗糙使用层面上的便捷。看下面这个函数我当时想的是用一个变了去取flatten的输出，但是网络的设计却是需要在_init_里面就设计好的，才继续调用foward()，逻辑上是不行的，目前看来还是只有更具公式手算设计网络或者用工具，我有介绍哦。

模型可视化与计算的一些工具_To be a better man-CSDN博客卷积神经网络（CNN）模型结构可视化工具卷积神经网络（CNN）模型结构可视化工具_sereasuesue的博客-CSDN博客_卷积神经网络软件ConvdrawJack Cui | ConvNetDrawConvdraw做的不够细，如果只是简单的画一下conv或者全连接层还是够的。如图深度学习中的网络可视化工具（非常轻量化）//netron深度学习中的网络可视化工具（非常轻量化）_nbxuwentao的博客-CSDN博客_深度学习网络可视化工具这个netron做的很好大家多多.https://blog.csdn.net/weixin_43332715/article/details/121846304

# Convolutional neural network (two convolutional layers)
class ConvNet(nn.Module):
    def __init__(self, num_classes=2):
        super(ConvNet, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(3, 16, kernel_size=5, stride=1, padding=2),#一般Kernel_size=5,padding=2
            nn.BatchNorm2d(16),#make feature's mean_value=1,variance=1,learn or fit better from good distribution
            nn.ReLU(),#standard activation fuction for cnn
            nn.MaxPool2d(kernel_size=2, stride=2))#demension_reduce
        self.layer2 = nn.Sequential(
            nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
            
        self.fc = nn.Linear(56*56*32, num_classes)
        
    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(out)
        out = out.reshape(out.size(0), -1)#equal to flatten layer
        out
        out = self.fc(out)
        return out