Créer un bloc séquentiel

Vous avez décidé de repenser le modèle CNN binaire en créant un bloc de couches convolutionnelles. Cela vous permettra d'empiler plusieurs couches de façon séquentielle. Avec ce modèle amélioré, vous pourrez concevoir facilement diverses architectures de CNN.

torch et torch.nn en tant que nn ont été importés.

Cet exercice fait partie du cours

Deep Learning pour l’image avec PyTorch

Afficher le cours

Instructions

Dans la méthode __init__(), définissez un bloc de couches convolutionnelles et affectez-le à self.conv_block.
Dans la passe forward(), faites passer les entrées à travers le bloc convolutionnel 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

Modifier et exécuter le code