简介：本文根据文档 模型组网 中给出的信息，总结了在Paddle建立常见到的网络的三种方法。

关键词： paddle，net，内置网络

#mermaid-svg-Wdzr3isBaQEmNZ95 {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-Wdzr3isBaQEmNZ95 .error-icon{fill:#552222;}#mermaid-svg-Wdzr3isBaQEmNZ95 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-Wdzr3isBaQEmNZ95 .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-Wdzr3isBaQEmNZ95 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-Wdzr3isBaQEmNZ95 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-Wdzr3isBaQEmNZ95 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-Wdzr3isBaQEmNZ95 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-Wdzr3isBaQEmNZ95 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-Wdzr3isBaQEmNZ95 .marker.cross{stroke:#333333;}#mermaid-svg-Wdzr3isBaQEmNZ95 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-Wdzr3isBaQEmNZ95 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-Wdzr3isBaQEmNZ95 .cluster-label text{fill:#333;}#mermaid-svg-Wdzr3isBaQEmNZ95 .cluster-label span{color:#333;}#mermaid-svg-Wdzr3isBaQEmNZ95 .label text,#mermaid-svg-Wdzr3isBaQEmNZ95 span{fill:#333;color:#333;}#mermaid-svg-Wdzr3isBaQEmNZ95 .node rect,#mermaid-svg-Wdzr3isBaQEmNZ95 .node circle,#mermaid-svg-Wdzr3isBaQEmNZ95 .node ellipse,#mermaid-svg-Wdzr3isBaQEmNZ95 .node polygon,#mermaid-svg-Wdzr3isBaQEmNZ95 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-Wdzr3isBaQEmNZ95 .node .label{text-align:center;}#mermaid-svg-Wdzr3isBaQEmNZ95 .node.clickable{cursor:pointer;}#mermaid-svg-Wdzr3isBaQEmNZ95 .arrowheadPath{fill:#333333;}#mermaid-svg-Wdzr3isBaQEmNZ95 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-Wdzr3isBaQEmNZ95 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-Wdzr3isBaQEmNZ95 .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-Wdzr3isBaQEmNZ95 .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-Wdzr3isBaQEmNZ95 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-Wdzr3isBaQEmNZ95 .cluster text{fill:#333;}#mermaid-svg-Wdzr3isBaQEmNZ95 .cluster span{color:#333;}#mermaid-svg-Wdzr3isBaQEmNZ95 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-Wdzr3isBaQEmNZ95 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;}

内置模型

目录
Contents

nn简介

Sequential组网

SubClass组网

飞桨内置函数

模型总结

§01 内置模型

1.1 nn简介

飞桨框架2.0中，组网相关的API都在paddle.nn目录下，你可以通过 Sequential 或 SubClass 的方式构建具体的模型。组网相关的API类别与具体的API列表如下表：

功能	API名称
Conv	Conv1D、Conv2D、Conv3D、Conv1DTranspose、Conv2DTranspose、Conv3DTranspose
Pool	AdaptiveAvgPool1D、AdaptiveAvgPool2D、AdaptiveAvgPool3D、 AdaptiveMaxPool1D、AdaptiveMaxPool2D、AdaptiveMaxPool3D、 AvgPool1D、AvgPool2D、AvgPool3D、MaxPool1D、MaxPool2D、MaxPool3D
Padding	Pad1D、Pad2D、Pad3D
Activation	ELU、GELU、Hardshrink、Hardtanh、HSigmoid、LeakyReLU、LogSigmoid、 LogSoftmax、PReLU、ReLU、ReLU6、SELU、Sigmoid、Softmax、Softplus、 Softshrink、Softsign、Tanh、Tanhshrink
Normlization	BatchNorm、BatchNorm1D、BatchNorm2D、BatchNorm3D、GroupNorm、 InstanceNorm1D、InstanceNorm2D、InstanceNorm3D、LayerNorm、SpectralNorm、 SyncBatchNorm
Recurrent NN	BiRNN、GRU、GRUCell、LSTM、LSTMCell、RNN、RNNCellBase、SimpleRNN、 SimpleRNNCell
Transformer	Transformer、TransformerDecoder、TransformerDecoderLayer、 TransformerEncoder、TransformerEncoderLayer
Dropout	AlphaDropout、Dropout、Dropout2d、Dropout3d
Loss	BCELoss、BCEWithLogitsLoss、CrossEntropyLoss、CTCLoss、KLDivLoss、L1Loss MarginRankingLoss、MSELoss、NLLLoss、SmoothL1Loss

1.2 Sequential组网

针对顺序的线性网络结构你可以直接使用Sequential来快速完成组网，可以减少类的定义等代码编写。具体代码如下：

import paddle
# Sequential形式组网
mnist = paddle.nn.Sequential(paddle.nn.Flatten(),paddle.nn.Linear(784, 512),paddle.nn.ReLU(),paddle.nn.Dropout(0.2),paddle.nn.Linear(512, 10)
)

1.3 SubClass组网

针对一些比较复杂的网络结构，就可以使用Layer子类定义的方式来进行模型代码编写，在__init__构造函数中进行组网Layer的声明，在forward中使用声明的Layer变量进行前向计算。子类组网方式也可以实现sublayer的复用，针对相同的layer可以在构造函数中一次性定义，在forward中多次调用。

# Layer类继承方式组网
class Mnist(paddle.nn.Layer):def __init__(self):super(Mnist, self).__init__()self.flatten = paddle.nn.Flatten()self.linear_1 = paddle.nn.Linear(784, 512)self.linear_2 = paddle.nn.Linear(512, 10)self.relu = paddle.nn.ReLU()self.dropout = paddle.nn.Dropout(0.2)def forward(self, inputs):y = self.flatten(inputs)y = self.linear_1(y)y = self.relu(y)y = self.dropout(y)y = self.linear_2(y)return ymnist_2 = Mnist()

1.4 飞桨内置函数

你除了可以通过上述方式组建模型外，还可以使用飞桨框架内置的模型，路径为 paddle.vision.models 。

1.4.1 列出所有内置函数

具体列表如下：

import sys,os,math,time
import matplotlib.pyplot as plt
from numpy import *import paddleprint("Inner Model of Paddle:", paddle.vision.models.__all__)

Inner Model of Paddle: ['ResNet', 'resnet18', 'resnet34', 'resnet50', 'resnet101', 'resnet152', 'VGG', 'vgg11', 'vgg13', 'vgg16', 'vgg19', 'MobileNetV1', 'mobilenet_v1', 'MobileNetV2', 'mobilenet_v2', 'LeNet']

ResNet resnet18
resnet34 resnet50
resnet101 resnet152
VGG vgg11
vgg13 vgg16
vgg19 MobileNetV1
mobilenet_v1 MobileNetV2
mobilenet_v2 LeNet

from headm import *strid = 8
strall = tspgetdopstring(strid)
strall = strall.replace('：', '')
strall = strall.replace('\'', '').replace(']','').replace('[','').replace(':','').split(',')maxlen = max(len(s.strip(' ')) for s in strall)
strall = [s.strip(' ')+' '*(maxlen - len(s)) for s in strall]for s in list(zip(*([iter(strall)]*2))):printff(*s)

1.4.2 显示网络结构

（1）LeNet

lenet = paddle.vision.models.LeNet()
paddle.summary(lenet, (64,1,28,28))

---------------------------------------------------------------------------Layer (type)       Input Shape          Output Shape         Param #
===========================================================================Conv2D-1      [[64, 1, 28, 28]]     [64, 6, 28, 28]          60       ReLU-1       [[64, 6, 28, 28]]     [64, 6, 28, 28]           0       MaxPool2D-1    [[64, 6, 28, 28]]     [64, 6, 14, 14]           0       Conv2D-2      [[64, 6, 14, 14]]     [64, 16, 10, 10]        2,416     ReLU-2       [[64, 16, 10, 10]]    [64, 16, 10, 10]          0       MaxPool2D-2    [[64, 16, 10, 10]]     [64, 16, 5, 5]           0       Linear-1         [[64, 400]]           [64, 120]           48,120     Linear-2         [[64, 120]]            [64, 84]           10,164     Linear-3          [[64, 84]]            [64, 10]             850
===========================================================================
Total params: 61,610
Trainable params: 61,610
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.19
Forward/backward pass size (MB): 7.03
Params size (MB): 0.24
Estimated Total Size (MB): 7.46
---------------------------------------------------------------------------{'total_params': 61610, 'trainable_params': 61610}

通过测试，初步使用 summary显示网络结构，只有LeNet是可以，其它的网络都不可以。

※ 模型总结 ※

本文根据文档 模型组网 中给出的信息，总结了在Paddle建立常见到的网络的三种方法。

■ 相关文献链接:

模型组网

Paddle内置的网络模型相关推荐

Python 常用内置函数map、zip、filter、reduce、enumerate
Python 中有许多非常实用的内置函数,通过这些函数我们可以方便的实现某些功能,下面就列举一些常用的内置函数. 1. map() 函数 map() 可以根据提供的函数对指定序列做映射,它接受一个函数 ...
python内置库之学习configparser库(一)
python内置库之学习configparser库(一) 1.引言 ini文件简介 [节] 键=值注:节不能重复出现 2.自己封装了一个增删改查的类,可以参考一下 import configpars ...
2021年大数据Hive（五）：Hive的内置函数（数学、字符串、日期、条件、转换、行转列）
全网最详细的Hive文章系列,强烈建议收藏加关注! 后面更新文章都会列出历史文章目录,帮助大家回顾知识重点. 目录系列历史文章前言 Hive的内置函数一.数学函数 1. 取整函数: round ...
python3 内置函数map 返回的迭代器转为列表
python3 内置函数map 返回的是迭代器,python2 返回的才是列表, 在python3中想要使用需要把迭代器在转换成列表 list_a = [1, 2, 3, 4, 5]def add(n ...
博客园在微信内置浏览器打开时添加微信赞赏码功能
我的博客开通了赞赏,看右侧悬浮[打赏],很容易弄,文末有链接. 另外,在微信中打开时,博客正文底部增加微信赞赏码,在微信内置浏览器打开时,长按图片识别,直接可以赞赏. 这本人自己摸索的,未参考任何博文 ...
Python Day26：多态、封装、内置函数：__str__、__del__、反射(反省)、动态导入模块...
## 多态 ```python OOP中标准解释:多个不同类型对象,可以响应同一个方法,并产生不同结果,即为多态多态好处:只要知道基类使用方法即可,不需要关心具体哪一个类的对象实现的,以不变应万变, ...
python-字符串数据类型内置方法
字符串类型内置方法 (str) 用途:描述性质的东西,如人的名字.单个爱好.地址.国家等定义:使用单引号(' ').双引号(" ").三单引号(''' ''').三双引号(&qu ...
13装饰器和内置函数
装饰器 # 1.装饰用的工具# import time #内置函数计算函数运行时间 # print(time.time())# import time # def func(): # start_ti ...
Pyhton 内置 itertools 模块chain、accumulate、compress、drop、take等函数使用
Python 内置的 itertools 模块使用了 yield 生成器. 1. chain 拼接迭代器 chain 函数实现元素拼接,原型如下,参数 * 表示可变的参数: chain(*iterab ...

Paddle内置的网络模型