pytorch神经网络之卷积层与全连接层参数的设置

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zw__chen/article/details/82839061

        当使用pytorch写网络结构的时候，本人发现在卷积层与第一个全连接层的全连接层的input_features不知道该写多少？一开始本人的做法是对着pytorch官网的公式推，但是总是算错。

        后来发现，写完卷积层后可以根据模拟神经网络的前向传播得出这个。

        全连接层的input_features是多少。首先来看一下这个简单的网络。这个卷积的Sequential本人就不再啰嗦了，现在看nn.Linear(？？？, 4096)这个全连接层的第一个参数该为多少呢？请看下文详解。

class AlexNet(nn.Module):
    def __init__(self):
        super(AlexNet, self).__init__()

        self.conv = nn.Sequential(
            nn.Conv2d(3, 96, kernel_size=11, stride=4),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),

            nn.Conv2d(96, 256, kernel_size=5, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),

            nn.Conv2d(256, 384, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(384, 384, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(384, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2)
        )

        self.fc = nn.Sequential(
            nn.Linear(？？？, 4096)
            ......
            ......
        )

        首先，我们先把forward写一下：

    def forward(self, x):
        x = self.conv(x)
        print x.size()

        就写到这里就可以了。其次，我们初始化一下网络，随机一个输入：

import torch
from Alexnet.AlexNet import *
from torch.autograd import Variable

if __name__ == '__main__':
    net = AlexNet()

    data_input = Variable(torch.randn([1, 3, 96, 96])) # 这里假设输入图片是96x96
    print data_input.size()
    net(data_input)

        结果如下：

(1L, 3L, 96L, 96L)
(1L, 256L, 1L, 1L)

        显而易见，咱们这个全连接层的input_features为256。