一、卷积神经网络
卷积层、池化层、全链接层
卷积层:特征提取
池化层:压缩
卷积层=卷积+激活函数
激活函数:非线性激活函数
卷积神经网络:https://blog.csdn.net/Ace_Yom/article/details/47254023
https://blog.csdn.net/yunpiao123456/article/details/52437794
https://blog.csdn.net/zouxy09/article/details/8781543
二、卷积层
- 对应代码:
self.conv1=nn.Conv2d(in_dim,6,3,stride=1,padding=1)
nn.Conv1d与nn.Conv2d的区别:1维和2维,图解说明卷积神经的网络的大小变化。
nn.Conv2d(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True))
参数:
in_channel: 输入数据的通道数,例RGB图片通道数为3;
out_channel: 输出数据的通道数,这个根据模型调整;
kennel_size: 卷积核大小,可以是int,或tuple;kennel_size=2,意味着卷积大小2, kennel_size=(2,3),意味着卷积在第一维度大小为2,在第二维度大小为3;
stride:步长,默认为1,与kennel_size类似,stride=2,意味在所有维度步长为2, stride=(2,3),意味着在第一维度步长为2,意味着在第二维度步长为3;
padding: 零填充
三、BatchNorm
- 对应代码:
self.batch_norm1=nn.BatchNorm2d(6)
总的来说,bn的操作很简单,也很容易理解。就是在网络的每一层输入之前,做了一个归一化处理,就是作用于(wu+b),即bn(wu+b),然后再接激活函数(非线性映射)。
https://www.jianshu.com/p/86530a0a3935
四、池化
self.pool=nn.Maxpool2d(2,2)
class torch.nn.MaxUnpool2d(kernel_size, stride=None, padding=0)
五、全连接层
全连接层的作用是什么? - 蒋竺波的回答 - 知乎
https://www.zhihu.com/question/41037974/answer/320267531
参考文档:https://blog.csdn.net/qq_31417941/article/details/85056252
完整代码:https://github.com/viki6666/Pytorch_learn/blob/master/CNN_MNIST.ipynb