Erstellen eines sequenziellen Blocks

Du hast dich entschieden, deine binäre CNN-Modellvorlage neu zu gestalten, indem du einen Block mit Faltungs-Layern erstellst. So kannst du mehrere Ebenen 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

Deep Learning für Bilder mit PyTorch

Kurs anzeigen

Anleitung zur Übung

Definiere in der Methode „ __init__() “ einen Block von Faltungsschichten und weise ihn „ self.conv_block “ zu.
Im Durchlauf „ forward() “ schickst du die Eingaben durch den von dir definierten Faltungsblock.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

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