Pytorch中的Sequential

#import一系列依赖库
import torch
from PIL import Image
from tensorboardX import SummaryWriter
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d
from torch.utils.data import Dataset, DataLoader
import os
from torchvision import transforms
import torch.nn.functional as F

#定义的transforms对象，后面对图像进行变换时使用
#神经网络要求喂入的数据格式是tensor
#trans将PIL格式的image转化成为tensor格式的image
trans=transforms.ToTensor()
#神经网络要求喂入的数据图像大小一致
#我们./dataset/train/ants文件夹下
#图像大小不一致，需要将尺寸一致调为[3,375,500]
trans_re=transforms.Resize([375,500])
#首先创建自己的数据集
#我们的数据是存放在"./dataset/train/ants"下的蚂蚁照片
#定义自己的数据集类
class MyDataset(Dataset):
    def __init__(self,root_dir,label_dir):
        self.root_dir=root_dir
        self.label_dir=label_dir
        self.path=os.path.join(self.root_dir,self.label_dir)
        self.img_list=os.listdir(self.path)
    def __getitem__(self, item):
        #通过索引获取图片名称
        img_name=self.img_list[item]
        #拼接得到图像路径
        img_path=os.path.join(self.path,img_name)
        #打开图片，得到的图片格式是PIL格式的
        img=Image.open(img_path)
        #transforms的resize对象
        #要求输入为PIL格式，因此首先改变图像大小
        img=trans_re(img)
        #将图片转变为tensor格式
        img=trans(img)
        label=self.label_dir
        #返回一对(数据，标签)
        return img,label
    def __len__(self):
        return len(self.img_list)
#实例化数据集对象，传入路径
#得到数据集
mydataset=MyDataset('dataset/train','ants')
#dataloader将数据集分为
#一个一个batch，便于喂入神经网络
#这里的batch大小为16
dataloader=DataLoader(dataset=mydataset,batch_size=16)

#定义神经网络类
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        #添加卷积层，输入3通道图像
        #输出3通道图像，卷积核大小为3*3
        #上下步长为1，四周增加padding为1
        # self.conv=torch.nn.Conv2d(3,3,(3,3),padding=1)
        # #添加池化层，池化核尺寸为3*3，ceil_mode设置为True
        # self.pooling=torch.nn.MaxPool2d(3,ceil_mode=True)
        self.model1=Sequential(
            Conv2d(3, 3, (3, 3), padding=1),
            MaxPool2d(3, ceil_mode=True),
        )
    #前向传播函数
    def forward(self,x):
        #输入数据通过卷积，池化，并使用relu激活函数
        #返回输出的数据
        return F.relu(self.model1(x))

#创建神经网络对象
model=MyModel()
#日志存入./test文件夹
writer=SummaryWriter('./test002')
#tensorboard可以将多个图像
#组合在一起输出，分为多个step(0,1,2,...)
#便于得知训练中每个阶段网络的输出
step=0
#遍历dataloader中的batch
#分batch喂入数据集
for data in dataloader:
    #获取一组图像，一组标签
    #我们这里只对图像进行处理观察效果
    #实际上label无用
    imgs,label=data
    #图像经过神经网络处理得到输出
    output=model(imgs)
    #绘制处理之前的图像，每16(batch_size)张一组
    writer.add_images('原图',imgs,step)
    ##绘制处理之后的图像，每16(batch_size)张一组
    writer.add_images('后来',output,step)
    #step递增
    step=step+1