Skapa ett sekventiellt block

Du har bestämt dig för att förbättra din binära CNN-modellmall genom att skapa ett block av konvolutionslager. Det gör det enkelt att stapla flera lager i sekvens. Med den förbättrade modellen kan du enkelt utforma olika CNN-arkitekturer.

torch och torch.nn som nn har redan importerats.

Den här övningen är en del av kursen

Djupinlärning för bilder med PyTorch

Visa kurs

Övningsinstruktioner

Definiera ett block av konvolutionslager i metoden __init__() och tilldela det till self.conv_block.
I forward()-passet skickar du indata genom det konvolutionsblock du definierade.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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

Redigera och kör kod