Créer un bloc séquentiel

Vous avez décidé de repenser votre gabarit de modèle CNN binaire en créant un bloc de couches convolutionnelles. Cela vous aidera à empiler plusieurs couches de façon séquentielle. Avec ce modèle amélioré, vous pourrez concevoir facilement différentes architectures de CNN.

torch et torch.nn comme nn ont été importés.

Cette activité fait partie du cours

Deep Learning pour les images avec PyTorch

Voir le cours

Instructions de l’exercice

Dans la méthode __init__(), définissez un bloc de couches convolutionnelles et affectez-le à self.conv_block.
Dans le passage forward(), faites passer les entrées par le bloc convolutionnel que vous avez défini.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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

Modifier et exécuter le code