Een sequentieel blok maken

Je hebt besloten je binaire CNN-modeltemplate te herontwerpen door een blok van convolutionele lagen te maken. Zo kun je meerdere lagen achter elkaar stapelen. Met dit verbeterde model kun je eenvoudig verschillende CNN-architecturen ontwerpen.

torch en torch.nn als nn zijn geïmporteerd.

Deze oefening maakt deel uit van de cursus

Deep Learning voor afbeeldingen met PyTorch

Cursus bekijken

Oefeninstructies

Definieer in de methode __init__() een blok met convolutionele lagen en wijs dit toe aan self.conv_block.
Laat in de forward()-pass de inputs door het convolutionele blok gaan dat je hebt gedefinieerd.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

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 bewerken en uitvoeren