pytorch tensor(张量) 的通道排序:batch,channel,height,width
在调试代码过程中,遇到无法识别conda命令,是因为没有添加Anaconda的环境变量
打开控制面板-系统-高级系统设置-环境变量-path-编辑-新建三个路径
分别是
anaconda3
anaconda3/script
anaconda3/library/bin
添加完成之后,普通命令窗口也可以调用conda命令
VSCode怎么一下子给所有代码注释掉,或者将批量代码注释掉:
1.首先ctrl+A 选中所有代码或者框选住需要注释的代码
2.Ctrl+/ 完成注释
代码详细解释
import torch.nn as nn
import torch.nn.functional as F
class LeNet(nn.Module):#定义LeNet这个类,这个类继承于nn.Module这个父类
def __init__(self):#初始化函数,在里面搭建网络的一些网络层结构
super(LeNet, self).__init__()#super解决在多重调用过程中继承父类方法中可能会出现的一些问题
self.conv1 = nn.Conv2d(3, 16, 5)#第一个参数3(RGB)是输入特征矩阵的深度,第二个参数16是卷积核的个数,也是输出特征图的深度,第三个参数5就是卷积核的大小(尺寸5*5) padding=0 stride=1
self.pool1 = nn.MaxPool2d(2, 2)#下采样层 第一个参数2是池化核的大小2*2 第二个参数2是步距
self.conv2 = nn.Conv2d(16, 32, 5)#输入特征图的深度为16是因为上一层卷积层的输出特征矩阵的深度为16,第二个参数32是卷积核的个数,也是输出特征图的深度。卷积核的大小是5*5
self.pool2 = nn.MaxPool2d(2, 2)#池化
self.fc1 = nn.Linear(32*5*5, 120)#3层全连接层 输入是一维的向量 所以对32*5*5进行展平操作 第二个参数120是节点个数
self.fc2 = nn.Linear(120, 84)#第二层输入是第一层输出的120个节点 输出是84个节点
self.fc3 = nn.Linear(84, 10)#最后一层输入是上一层的输出 输出10个节点 数字0~9
def forward(self, x):#forward函数中定义正向传播的过程,x代表我们输入的数据,数据顺序(batch,深度,高度,宽度)
x = F.relu(self.conv1(x)) # input(3, 32, 32) output(16, 28, 28) (32-5+2*0)/1+1=28
x = self.pool1(x) # output(16, 14, 14) 经过下采样之后,高度和宽度缩减为原来的一半,2*2(4)个中取一个最大的,28*28是14*14的4倍。池化操作深度是不改变的
x = F.relu(self.conv2(x)) # output(32, 10, 10) (14-5+2*0)/1+1=10
x = self.pool2(x) # output(32, 5, 5)经过池化之后 高度和宽度再缩减为原来的一半
x = x.view(-1, 32*5*5) # output(32*5*5) 通过view函数将数据展平为一维向量 -1代表它第一个维度 32*5*5代表节点的个数
x = F.relu(self.fc1(x)) # output(120)
x = F.relu(self.fc2(x)) # output(84)
x = self.fc3(x) # output(10)
return x
import torch
input1 = torch.rand([32,3,32,32])
model = LeNet()
print(model)
output = model(input1)