---

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linearclass TY(nn.Module):def __init__(self):"""初始化TY卷積神經網絡模型模型結構：3層卷積+池化，2層全連接設計目標：處理32x32像素的RGB圖像分類任務"""# 調用父類構造函數super(TY, self).__init__()# 卷積層1: 輸入3通道(RGB)，輸出32通道# 5x5卷積核，padding=2保持特征圖尺寸不變self.conv1 = Conv2d(3, 32, 5, padding=2)# 最大池化層1: 2x2窗口，步長2，尺寸減半self.maxpool1 = MaxPool2d(2)# 卷積層2: 輸入32通道，輸出32通道self.conv2 = Conv2d(32, 32, 5, padding=2)# 最大池化層2self.maxpool2 = MaxPool2d(2)# 卷積層3: 輸入32通道，輸出64通道# 增加通道數提取更復雜特征self.conv3 = Conv2d(32, 64, 5, padding=2)# 最大池化層3self.maxpool3 = MaxPool2d(2)# 展平多維張量為一維向量self.flatten = Flatten()# 全連接層1: 輸入1024維，輸出64維# 1024 = 64通道 x 4x4特征圖(經過3次池化后尺寸為32→16→8→4)self.Linear1 = Linear(1024, 64)# 全連接層2: 輸入64維，輸出10維(對應10個分類類別)self.Linear2 = Linear(64, 10)def forward(self, x):"""定義模型前向傳播過程參數:x: 輸入張量，形狀為[batch_size, 3, 32, 32]返回:x: 輸出張量，形狀為[batch_size, 10]"""# 第一層卷積+ReLU激活+池化# 輸入: [batch, 3, 32, 32] → 輸出: [batch, 32, 16, 16]x = self.conv1(x)x = self.maxpool1(x)# 第二層卷積+ReLU激活+池化# 輸入: [batch, 32, 16, 16] → 輸出: [batch, 32, 8, 8]x = self.conv2(x)x = self.maxpool2(x)# 第三層卷積+ReLU激活+池化# 輸入: [batch, 32, 8, 8] → 輸出: [batch, 64, 4, 4]x = self.conv3(x)x = self.maxpool3(x)# 展平操作# 輸入: [batch, 64, 4, 4] → 輸出: [batch, 64*4*4=1024]x = self.flatten(x)# 全連接層1 + ReLU激活# 輸入: [batch, 1024] → 輸出: [batch, 64]x = self.Linear1(x)# 全連接層2 (分類層)# 輸入: [batch, 64] → 輸出: [batch, 10]x = self.Linear2(x)return x# 創建模型實例
ty = TY()
# 打印模型結構
print(ty)# 創建測試輸入：64張32x32的RGB圖像(全1值)
input = torch.ones((64, 3, 32, 32))
# 執行前向傳播
output = ty(input)
# 打印輸出形狀，應為[64, 10]
print(f"輸出形狀: {output.shape}")

torch.ones用法

---

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.tensorboard import SummaryWriter# 定義TY卷積神經網絡模型，繼承自PyTorch的nn.Module
class TY(nn.Module):def __init__(self):# 調用父類構造函數super(TY,self).__init__()# 使用Sequential容器構建網絡，按順序堆疊各層self.model1 = Sequential(# 第一個卷積層：3通道輸入，32通道輸出，5x5卷積核，padding=2保持尺寸Conv2d(3,32,5,padding=2),# 第一個池化層：2x2窗口，下采樣至16x16MaxPool2d(2),# 第二個卷積層：32通道輸入，32通道輸出Conv2d(32,32,5,padding=2),# 第二個池化層：下采樣至8x8MaxPool2d(2),# 第三個卷積層：32通道輸入，64通道輸出Conv2d(32,64,5,padding=2),# 第三個池化層：下采樣至4x4MaxPool2d(2),# 展平多維張量為一維向量：64x4x4=1024Flatten(),# 第一個全連接層：1024維輸入，64維輸出Linear(1024,64),# 第二個全連接層：64維輸入，10維輸出（對應10個分類）Linear(64, 10),)def forward(self, x):# 定義前向傳播路徑x = self.model1(x)return x# 創建模型實例
ty = TY()
# 打印模型結構
print(ty)
# 創建測試輸入：64個樣本，3通道，32x32尺寸
input = torch.ones((64,3,32,32))
# 執行前向傳播
output = ty(input)
# 打印輸出形狀，驗證網絡結構正確性
print(output.shape)# 創建TensorBoard日志寫入器，保存日志到'./logs_seq'目錄
writer = SummaryWriter("./logs_seq")
# 將模型結構寫入TensorBoard，便于可視化分析
writer.add_graph(ty,input)
# 關閉寫入器，釋放資源
writer.close()