Einen Sequential-Block erstellen

Du hast dich entschieden, deine binäre CNN-Modellvorlage neu zu gestalten, indem du einen Block aus Convolutional-Layern erstellst. So kannst du mehrere Layer nacheinander stapeln. Mit diesem verbesserten Modell kannst du ganz einfach verschiedene CNN-Architekturen entwerfen.

torch und torch.nn als nn wurden importiert.

Diese Übung ist Teil des Kurses

<Kurs>Deep Learning für Bilder mit PyTorch</Kurs>

Kurs ansehen

Übungsanweisungen

Definiere in der Methode __init__() einen Block aus Convolutional-Layern und weise ihn self.conv_block zu.
Leite im forward()-Durchlauf die Eingaben durch den von dir definierten Convolutional-Block.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

class BinaryImageClassification(nn.Module):
  def __init__(self):
    super(BinaryImageClassification, self).__init__()
    # Create a convolutional block
    self.conv_block = ____(
      nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1),
      nn.ReLU(),
      nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1),
      nn.ReLU(),
    )
    
  def forward(self, x):
    # Pass inputs through the convolutional block
    x = ____
    return x

Code bearbeiten und ausführen