ggj0727的博客

L1LOSS

搭建神经网络+sequential（联邦学习笔记）sequential：顺序容器。模块将按照它们在构造函数中传递的顺序添加到它当中。或者，可以传入模块的OrderedDict。Sequential的forward()方法接受任何输入并将其转发到它包含的第一个模块。然后，它将每个后续模块的输出顺序链接为输入，最后返回最后一个模块的输出。（能简化代码）下面以CIFR10的卷积神经网络搭建模型。1、有三个卷积层，卷积核均为5x52、最大池化层有三个，内核为2x23、数据经过 卷积层

ReLU 函数线性整流函数（Rectified Linear Unit,ReLU），又称修正线性单元，是一种人工神经网络中常用的激活函数（activation function），通常指代以斜坡函数及其变种为代表的非线性函数。激活函数有两个参数（input，inplace)import torchimport torchvisionfrom torch import nnfrom torch.nn import ReLU, Sigmoidfrom torch.utils.d..

最大池化层（常用的是maxpool2d）的作用：一是对卷积层所提取的信息做更一步降维，减少计算量 二是加强图像特征的不变性，使之增加图像的偏移、旋转等方面的鲁棒性具体操纵：取图像中的最大值作为输出，如下所示，第一个橙色框代表最大池化操作，最左边池化的最大值为3，即第一个输出为3，后面以此类推。橙色的操作代表ceil_mode=True()时的操作，即不够的向上取整，False代表向下取整。代码：import torchfrom torch import nnfrom torc.

在上一篇，输入图像经过一个卷积核，得到一个输出。这是我们设置卷积层参数in_channel=1,out_channel=1时（默认）的结果。当我们设置in_channel=1,out_channel=2时，卷积核就回有两个，卷积后的输出也有两个先简单编写一个神经网络，如下：import torchimport torchvisionfrom torch import nnfrom torch.nn import Conv2dfrom torch.utils.data import .

1、简单使用nn模型简单使用nn模型，自定义一个模型，简单处理时输入数据+1作为输出import torchfrom torch import nnclass module(nn.Module): def __init__(self): super().__init__() def forward(self,input): output = input + 1 return outputmod = module()x