【Pytorch入门】Day3 神经网络

最新推荐文章于 2024-08-29 23:22:42 发布

幸馥儿~

最新推荐文章于 2024-08-29 23:22:42 发布

阅读量508

点赞数 6

文章标签： pytorch 神经网络人工智能

本文链接：https://blog.csdn.net/Alita07/article/details/134614589

版权

基础

在这里插入图片描述

Containers 神经网络的骨架，往里面添加不同的内容，组成神经网络

在这里插入图片描述

import torch
from torch import nn


class Felix(nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self,input):
        output=input+1
        return output

felix=Felix()
x=torch.tensor(1.0)
output=felix(x)
print(output)

在这里插入图片描述

卷积层

TORCH.NN.FUNCTIONAL.CONV2D

卷积层参数

在这里插入图片描述

Stride :卷积核在输入图像上，每次走几步。可以是单个数（横向和纵向一样），也可以是元组（横向，纵向）

在这里插入图片描述

import torch
import torch.nn.functional as F
input=torch.tensor([[1,2,0,3,1],
                    [0,1,2,3,1],
                    [1,2,1,0,0],
                    [5,2,3,1,1],
                    [2,1,0,1,1]])#几个中括号，就是几维矩阵
kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])

# print(input.shape)torch.Size([4, 5])
# print(kernel.shape)torch.Size([3, 3])尺寸大小不对，需要变换

input=torch.reshape(input,(1,1,5,5))#只有一张图，所以batch为1，灰度图像为1
kernel=torch.reshape(kernel,(1,1,3,3))

# print(input.shape)torch.Size([1, 1, 5, 5])
# print(kernel.shape)torch.Size([1, 1, 3, 3])

output=F.conv2d(input,kernel,stride=1)
print(output)

输出结果
在这里插入图片描述

padding:会在输入图像的左右两边进行天成有多大，默认不进行填充=0。填充的地方默认为0.

output3=F.conv2d(input,kernel,stride=1,padding=1)
print(output3)

在这里插入图片描述

其中1d代表是一维卷积，2d代表的是二维卷积，3d代表的是三维卷积
在这里插入图片描述

in_channels：输入通道数
out_channels：输出通道数
kernel_size：卷积核的大小
stride：
padding：
dilation=1：卷积核的距离
groups=1一般为1
bias：True，对卷积后的结果是否加上常数
padding_mode：填充方式，一般为zeros
前五个比较常用

在这里插入图片描述

公式
在这里插入图片描述
代码

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset=torchvision.datasets.CIFAR10('dataset',train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader=DataLoader(dataset,batch_size=64)
class Felix(nn.Module):#创建神经网络
    def __init__(self):
        super(Felix,self).__init__()
        self.conv1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)

    def forward(self,x):#前向传播
        x=self.conv1(x)
        return x
felix=Felix()
print(felix)

writer=SummaryWriter('logs')
step=0
for data in dataloader:
    imgs,targers=data
    output=felix(imgs)
    # print(output.shape)
    # print(imgs.shape)
    writer.add_images('input',imgs,step)
    output=torch.reshape(output,(-1,3,30,30))#填-1是因为不知道目标图像的该数值是多少
    writer.add_images('output',output,step)
    step=step+1

在这里插入图片描述

池化层

在这里插入图片描述
kernel_size：取最大值的窗口
stride：和卷积层差不多，默认值为kernel_size
dilation：空洞卷积
ceil_mode：设置为True时，设置为ceil模式（向上取整），否则为floor（向下取整）

最大池化

作用：提取特征但减少数据量
在这里插入图片描述

在这里插入图片描述

import torch
from torch import nn
from torch.nn import MaxPool2d

input=torch.tensor([[1,2,0,3,1],
                    [0,1,2,3,1],
                    [1,2,1,0,0],
                    [5,2,3,1,1],
                    [2,1,0,1,1]],dtype=torch.float32)#变成浮点数
input=torch.reshape(input,(-1,1,5,5))
# print(input.shape)torch.Size([1, 1, 5, 5])

class Felix(nn.Module):
    def __init__(self):
        super(Felix,self).__init__()
        self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=True)

    def forward(self,input):
        output=self.maxpool1(input)
        return output

felix=Felix()
output=felix(input)
print(output)

结果
在这里插入图片描述
将ceil_mode设置为False，结果如下

 self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=False)

在这里插入图片描述
利用Tensorboard进行显示

import torch
import torchvision.datasets
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset=torchvision.datasets.CIFAR10('dataset',train=False,download=False,transform=torchvision.transforms.ToTensor())
dataloader=DataLoader(dataset,batch_size=64)

class Felix(nn.Module):
    def __init__(self):
        super(Felix,self).__init__()
        self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=False)

    def forward(self,input):
        output=self.maxpool1(input)
        return output

felix=Felix()

writer=SummaryWriter('logs_maxpool')
step=0
for data in dataloader:
    imgs,targets=data
    writer.add_images('input',imgs,step)
    output=felix(imgs)
    writer.add_images('output',output,step)
    step=step+1
writer.close()

在这里插入图片描述

padding Layers

对输入图像进行填充的方式，但几乎用不到
在这里插入图片描述

非线性激活

RELU

在这里插入图片描述

inplace 替换，是否对原变量进行替换。一般设置为False，保留原始数据，防止数据丢失。

在这里插入图片描述

import torch
from torch import nn
from torch.nn import ReLU

input=torch.tensor([[1,-0.5],
                   [-1,3]])
input=torch.reshape(input,(-1,1,2,2))
# print(output.shape)torch.Size([1, 1, 2, 2])


class Felix(nn.Module):
    def __init__(self):
        super(Felix,self).__init__()
        self.relu1=ReLU()

    def forward(self,input):
        output=self.relu1(input)
        return output

felix=Felix()
output=felix(input)
print(output)

即大于一输出，小于一设置为0
在这里插入图片描述

sigmoid

利用Tensorboard进行显示
在这里插入图片描述


import torchvision.datasets
from torch import nn
from torch.nn import ReLU, Sigmoid
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset=torchvision.datasets.CIFAR10('dataset',train=False,download=False,transform=torchvision.transforms.ToTensor())

dataloader=DataLoader(dataset,batch_size=64)

class Felix(nn.Module):
    def __init__(self):
        super(Felix,self).__init__()
        self.sigmoid1=Sigmoid()

    def forward(self,input):
        output=self.sigmoid1(input)
        return output

felix=Felix()

writer=SummaryWriter('logs_sigmoid')
step=0
for data in dataloader:
    imgs,targets=data
    writer.add_images('input',imgs,global_step=step)
    output=felix(imgs)
    writer.add_images('output',output,step)
    step+=1

writer.close()

在这里插入图片描述

线性层及其它层介绍

线性层

在这里插入图片描述
bias：偏置

flatten() ：变成一行

reshape：功能更强大

for data in dataloader:
    imgs,targets=data
    print(imgs.shape)
    output=torch.flatten(imgs)#把输入展开成一行
    print(output.shape)
    output=felix(output)
    print(output.shape)

在这里插入图片描述

Sequential

在这里插入图片描述

其他

图像方面提供很多网络，可以直接调用

在这里插入图片描述

搭建网络模型

CIFAR 10 model
在这里插入图片描述

from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear


class Felix(nn.Module):
    def __init__(self):
        super(Felix,self).__init__()
        self.conv1=Conv2d(3,32,5,padding=2)#padding利用公式计算得出
        self.maxpool1=MaxPool2d(2)
        self.conv2=Conv2d(32,32,5,padding=2)
        self.maxpool2=MaxPool2d(2)
        self.conv3=Conv2d(32,64,5,padding=2)
        self.maxpool3=MaxPool2d(2)
        self.flatten=Flatten()
        self.linear1=Linear(1024,64)
        self.linear2=Linear(64,10)

    def forward(self,x):
        x=self.conv1(x)
        x=self.maxpool1(x)
        x=self.conv2(x)
        x=self.maxpool2(x)
        x=self.conv3(x)
        x=self.maxpool3(x)
        x=self.flatten(x)
        x=self.linear1(x)
        x=self.linear2(x)
        return x

felix=Felix()
print(felix)

在这里插入图片描述
检查网络正确性

input=torch.ones((64,3,32,32))
output=felix(input)
print(output.shape)

在这里插入图片描述

结果正确

使用Sequential

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential


class Felix(nn.Module):
    def __init__(self):
        super(Felix,self).__init__()
        self.model1=Sequential(
            Conv2d(3,32,5,padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self,x):
        x=self.model1(x)
        return x

felix=Felix()
print(felix)
input=torch.ones((64,3,32,32))
output=felix(input)
print(output.shape)

在这里插入图片描述
利用Tensorboard

writer=SummaryWriter('logs_seq')
writer.add_graph(felix,input)
writer.close()

如图所示，双击网络可以查看结构
在这里插入图片描述

幸馥儿~

关注

6
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
【Pytorch入门】Day3 神经网络

bias：偏置。
复制链接

扫一扫