基于Pytorch框架的AlexNet网络模型代码手写，预测过程代码，预测过程封装成接口代码，前端html界面代码_alexnet网路进行回归预测

1、基于Pytorch框架的AlexNet网络模型代码手写

#coding=utf-8
import torch
from torch import nn
from torchsummary import summary 
from torch import optim
from torchvision import datasets,transforms
from torch.utils.data import DataLoader
from datetime import datetime
import json
import warnings

#忽略警告
warnings.filterwarnings('ignore')

class AlexNet(nn.Module):                                               #所有模型需要继承nn.Module类
    def __init__(self,num_classes=100):                                 #num_classes分类数量，这里随便设置了一个默认值，正常在实例化中可以更改
        super(AlexNet,self).__init__()
        self.featrues = nn.Sequential(                                  #卷积层(特征提取)     Sequential管道，序列容器
        nn.Conv2d(3,48,kernel_size=11,padding=2,stride=4,bias=True),    #第一层卷积
        nn.BatchNorm2d(48),  #------需要训练2*48=96个参数------          #批归一化(卷积后得到的数据特征分布的均值和方差会偏大或偏小，激活和池化对特征分布影响很小，而通过这层归一化能够使数据同分布)
        nn.ReLU(True),                                                  #激活函数（True：relu后直接替换原值，可节省空间；False保留原值在内存中）(激活函数是用来加入非线性因素的，因为线性模型的表达能力不够)
        nn.MaxPool2d(3,2),                                              #第一个最大池化层 size=3*3, stride=2
        nn.Conv2d(48,128,5,padding=2,stride=1),                         #第二层卷积
        nn.BatchNorm2d(128), #------需要训练2*128=256个参数------        #批归一化
        nn.ReLU(True),                                                  #激活函数
        nn.MaxPool2d(3,2),                                              #第二个最大池化层 size=3*3, stride=2
        nn.Conv2d(128,192,3,padding=1,stride=1),                        #第三层卷积
        nn.BatchNorm2d(192), #------需要训练2*192=384个参数------        #批归一化
        nn.ReLU(True),                                                  #激活函数
        nn.Conv2d(192,192,3,padding=1,stride=1),                        #第四层卷积
        nn.BatchNorm2d(192), #------需要训练2*192=384个参数------        #批归一化
        nn.ReLU(True),                                                  #激活函数
        nn.Conv2d(192,128,3,padding=1,stride=1),                        #第五层卷积
        nn.BatchNorm2d(128), #------需要训练2*128=256个参数------        #批归一化
        nn.ReLU(True),                                                  #激活函数
        nn.MaxPool2d(3,2),                                              #第三个最大池化层 size=3*3, stride=2
        )                                                               #output：size 6*6   chanel 128       6*6*128=4608
        
        self.fc = nn.Sequential(               #全连接层
        nn.Dropout(0.2),                       #dropout,随机将20%置为0
        nn.Linear(4608,2048),                  #第一层全连接，这里做了一个reshape变换，6*6*128 = 4608*1*1 = 4608，4608再到2048
        nn.Sigmoid(),                          #Sigmoid激活（relu激活不好吗？）
        nn
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42