写作动机
第一篇主要从数学建模的角度总结了近期自学神经网络的成果,但纸上得来终觉浅,不通过代码实现一遍很多东西终究只是空中楼阁。所以本篇总结主要从代码角度回顾总结自学成果。
尽量做到每日一次总结。
行文思路
仿照鱼书的风格,先给出计算图,再一步一步根据计算图搭建代码。
使用框架
因为笔者是一名医学生,所以选择现有的框架——pytorch进行代码的实现。
参考书籍
《动手学深度学习2.0》
2024/2/29——LeNet简化版
今天开始总结卷积神经网络。
先是最简单,最古老的卷积神经网络。
确定模型
- 输入数字:多维
- 输出数字:多维
- 数字映射:先卷积,后全连接
计算图
代码实现
import torch
from torch import nn
simple_LeNet = nn.Sequential(
nn.Conv2d(input_numbers, output_numbers, kernel_size, padding, stride),
nn.Sigmoid(),
nn.AvgPool2d(kernel_size, stride),
nn.Flatten(),
nn.Linear(output_numbers, output_numbers2)
)
应用
首先确定输入和输出:
- 输入:单通道,黑白数字图片,28*28
- 输出:0-9这10个标签,依旧用独热向量表示
from d2l import torch as d2l
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)
接着确定模型:
simple_LeNet = nn.Sequential(
nn.Conv2d(1, 6, kernel_size=5, padding=2),
nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
nn.Conv2d(6, 16, kernel_size=5),
nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
nn.Flatten(),
nn.Linear(16 * 5 * 5, 120),
nn.Sigmoid(),
nn.Linear(120, 84),
nn.Sigmoid(),
nn.Linear(84, 10))
万事俱备,只欠数据:
lr, num_epochs = 0.9, 10
train(simple_LeNet, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
结果是: