Création d'un bloc séquentiel
Vous avez décidé de repenser votre modèle CNN binaire en créant un bloc de couches convolutives. Cela vous aidera à empiler plusieurs couches de manière séquentielle. Grâce à ce modèle amélioré, vous pourrez facilement concevoir diverses architectures CNN.
torch torch.nn et nn ont été importés.
Cet exercice fait partie du cours
Deep learning pour les images avec PyTorch
Instructions
- Dans la méthode d'
__init__(), définissez un bloc de couches convolutives et assignez-le à l'self.conv_block. - Dans le passage «
forward()», transmettez les entrées via le bloc convolutional que vous avez défini.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
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