ROCm上运行网络中的网络(NiN)

108 篇文章 0 订阅
77 篇文章 0 订阅

7.3. 网络中的网络(NiN) — 动手学深度学习 2.0.0 documentation (d2l.ai)

代码

import torch
from torch import nn
from d2l import torch as d2l


def nin_block(in_channels, out_channels, kernel_size, strides, padding):
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),
        nn.ReLU(),
        nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU(),
        nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU())

net = nn.Sequential(
    nin_block(1, 96, kernel_size=11, strides=4, padding=0),
    nn.MaxPool2d(3, stride=2),
    nin_block(96, 256, kernel_size=5, strides=1, padding=2),
    nn.MaxPool2d(3, stride=2),
    nin_block(256, 384, kernel_size=3, strides=1, padding=1),
    nn.MaxPool2d(3, stride=2),
    nn.Dropout(0.5),
    # 标签类别数是10
    nin_block(384, 10, kernel_size=3, strides=1, padding=1),
    nn.AdaptiveAvgPool2d((1, 1)),
    # 将四维的输出转成二维的输出,其形状为(批量大小,10)
    nn.Flatten())

X = torch.rand(size=(1, 1, 224, 224))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)

lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

代码解析

这段代码展示了一个网络架构(Neural Network Architecture)的实现,使用的是网络中网络(Network In Network, NIN)模型。首先,代码定义了一个函数 nin_block,这个函数创建了NIN块,这是NIN模型中的基本构件。然后,代码构建了一个完整的NIN模型,使用这些NIN块,并对其进行训练和测试。让我们逐步分析一下:
1. 导入必要的包:

   import torch
   from torch import nn
   from d2l import torch as d2l

   导入了PyTorch的核心库,用于构建网络模型和数据处理,以及`d2l`作为`Dive into Deep Learning`书的辅助工具包,用于加载数据和模型训练等功能。
2. 定义`nin_block`函数:

   def nin_block(in_channels, out_channels, kernel_size, strides, padding):
       return nn.Sequential(
           nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),
           nn.ReLU(),
           nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU(),
           nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU())

   这个函数用于构建NIN块,接受输入通道数(`in_channels`)、输出通道数(`out_channels`)、卷积核大小(`kernel_size`)、步长(`strides`)和填充(`padding`)作为参数。NIN块的特点是在传统卷积层之后再接上两个`1x1`的卷积层,这两个`1x1`卷积层被用来增加网络深度,用于替换传统的全连接层。
3. 构建NIN模型:

   net = nn.Sequential(
       ...
       nn.Flatten())

   使用`nn.Sequential`定义了NIN的网络结构,它由多个`nin_block`和`MaxPool2d`、`Dropout`等层经过堆叠后形成,并且在网络最后使用全局平均池化层`AdaptiveAvgPool2d`代替全连接层,然后将输出扁平化(`Flatten`)以匹配类别标签数量。
4. 打印每层的输出形状:

   X = torch.rand(size=(1, 1, 224, 224))
   for layer in net:
       X = layer(X)
       print(layer.__class__.__name__,'output shape:\t', X.shape)

   这部分代码通过随机初始化输入`X`,然后逐层传递和打印每一层的输出形状,以确保网络结构设计对应的输出形状符合预期。
5. 加载数据并进行训练:

   lr, num_epochs, batch_size = 0.1, 10, 128
   train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)
   d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

   确定学习率`lr`、训练的轮数`num_epochs`和批量大小`batch_size`,调用`d2l.load_data_fashion_mnist`函数加载Fashion-MNIST数据集,其中,图像输入被调整到了224x224像素。然后,`d2l.train_ch6`函数用来训练模型,它将使用GPU进行训练(如果可用的话)。
综上所述,这段代码是使用NIN构建和训练模型来处理Fashion MNIST数据集的示例。

  • 11
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

109702008

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值