pytorch神经网络之卷积层与全连接层参数的设置方法

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。

来源：https://blog.csdn.net/zw__chen/article/details/82839061