pytorch学习（六）---搭建简单的神经网络以及sequential的使用

最新推荐文章于 2023-08-22 15:19:27 发布
最新推荐文章于 2023-08-22 15:19:27 发布
阅读量1.4k 收藏 6
点赞数 1
分类专栏： pytorch 学习笔记 文章标签： pytorch python 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41858089/article/details/121503636
版权

        本篇自学笔记来自于b站《PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】》，Up主讲的非常通俗易懂，文章下方有视频连接，如有需要可移步up主讲解视频，如有侵权，实非故意，深表歉意，请与我联系，删除相关内容！

        本节以CIFAR10的模型结果（如下图）为例，搭建该简易的神经网络。

         首先需要知道某一个尺寸的图片经过卷积之后的尺寸如何计算。

        知道怎么计算之后，看模型图输入为32*32，经过一个5*5卷积核卷积之后，图片的尺寸依旧是32*32，通过上述公式，W1=32

最低0.47元/天 解锁文章
橘春十三99
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
神经网络搭建小实战和sequential的使用————PyTorch
weixin_45947476的博客
10-19 267
哔哩大学的PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】 的P22讲讲述了神经网络搭建小实战和sequential的使用。 一开始的代码如下：但是他不能运行，为什么不能？不知道！！！ import torch from torch import nn from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential class Tudui(nn.Module): def __init__(self):
PyTorch使用技巧3：简单理解nn.Sequential()、super().__init__()、__call__、model.train()、model.eval()和前后传播
源代码杀手的博客
07-09 2597
一个序列容器，用于搭建神经网络的模块被按照被传入构造器的顺序添加到nn.Sequential()容器中。除此之外，一个包含神经网络模块的OrderedDict也可以被传入nn.Sequential()容器中。利用nn.Sequential()搭建好模型架构，模型前向传播时调用forward()方法，模型接收的输入首先被传入nn.Sequential()包含的第一个网络模块中。然后，第一个网络模块的输出传入第二个网络模块作为输入，按照顺序依次计算并传播，直到nn.Sequential()里的最后一个模块输出结
pytorch cycleGAN代码学习1
fly
07-27 1万+
一. 新的东西 p.s :很多架构都和之前一样，就举些不同的 1. ReplayBuffer() # Buffers of previously generated samples fake_A_buffer = ReplayBuffer() fake_B_buffer = ReplayBuffer() 这是什么？？看看utils.py中的 class ReplayBuffer...
Cycle-GAN代码解读
HHzdh的博客
09-08 3766
1 model.py文件 1.1 初始化函数 import torch.nn as nn import torch.nn.functional as F import torch # 初始化函数 def weights_init_normal(m): classname = m.__class__.__name__ if classname.find("Conv") != -1: torch.nn.init.normal_(m.weight.data, 0.0, ..
pytorch初学笔记（十三）：神经网络基本结构之Sequential层的使用以及搭建完整的小型神经网络实战
CV在读
11-29 3466
Sequential — PyTorch 1.13 documentation A sequential container. Modules will be added to it in the order they are passed in the constructor.构建一个序列化的container，可以把想要在神经网络中添加的操作都放进去，按顺序进行执行。把卷积、非线性激活、卷积、非线性激活使用sequantial进行组合，一起放在构建的model中。 使用数据集为CIFAR10，其模型
基于PyTorch与PyTorch-Lightning进行人工神经网络模型与CNN模型的构建.zip
07-09
准备阶段，使用 PyTorch-Lightning 进行训练框架的搭建。 在{model_name}_main.py 入口脚本（例如 cnn_main.py）中设置 Global Seed 为 42，使用自定义的 MnistDataLoader 作为训练数据，使用 pl.Trainer()对模型...
pytorch-grad-cam-master.zip
05-29
grad-cam Pytorch实现，类激活图，可视化feature map，热图显示图像分类的分类原因，因为什么分的类。
pytorch-cnn-visualizations:卷积神经网络可视化技术的Pytorch实现
04-05
该存储库包含许多在PyTorch中实现的卷积神经网络可视化技术。 注意：我删除了cv2依赖性并将存储库移至PIL。 有些事情可能会坏掉（尽管我测试了所有方法），如果在某些情况下无法解决问题，可以提出问题，我将不胜...
Pytorch-pytorch深度学习教程之前馈神经网络.zip
最新发布
05-22
pytorch Pytorch_pytorch深度学习教程之前馈神经网络
RandLA-Net-pytorch:RandLA-Net（https的Pytorch实施
05-23
我们的Pytorch实施 0.529 每课时 密欧 车 自行车 摩托车 卡车 其他车辆 人 骑自行车的人 电单车司机 路 停车处 人行道 其他地面 建造 栅栏 植被 树干 地形 极 交通标志 52.9 0.919 0.122 0.290 0.660 0.444 ...
PyTorch三种主流模型构建方式：nn.Sequential、nn.Module子类、nn.Module容器开发实践，以真实烟雾识别场景数据为例
Together_CZ的博客
08-22 584
PyTorch三种主流模型构建方式：nn.Sequential、nn.Module子类、nn.Module容器开发实践，以真实烟雾识别场景数据为例
Pytorch学习笔记（三）——nn.Sequential的理解
qq_23345187的博客
11-15 1万+
在定义CNN模型的时候看到有如下定义，其中讲解一下nn.Sequential class CNN(nn.Module): def __int__(self): super(CNN,self).__init__() self.conv1=nn.Sequential(nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3
nn.Sequential()方法中访问中间层
A2321161581的博客
03-13 1139
nn.Sequential()的用法
【Pytorch深度学习50篇】·······第七篇：【4】GAN生成对抗网络---cycleGAN
guligedong的博客
03-08 2942
本来GAN这系列我只打算说到pix2pix的，但是情况有变，因为有人再看(感谢各位老铁支持) 所以决定再来一篇难度更大的GAN----cycleGAN，这次我们来个莫奈画生成，上强度！！ 4.CycleGAN 4.1 cycleGAN的模型结构 仍旧是：生成器+判别器 好了，这次肯定有人要说了，这哪里变难了，感觉比之前的都简单。其实并不是的，cycle这个单词就是循环，弯弯绕绕的意思，你看你一会晕不晕。希望别晕。 4.2算法逻辑 还是先来介绍一下数据集monet2photo，莫奈画和自
用torch.nn.Sequential()搭建神经网络模型
weixin_43231756的博客
11-29 564
原始定义方式与 nn.Sequential 两种定义方式实例：可以看到使用torch.nn.Sequential()搭建神经网络模型非常的方便，少写很多的codetorch.nn.Sequential是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。通俗的话说，就是根据自己的需求，把不同的函数组合成一个（小的）模块使用或者把组合的模块添加到自己的网络中。
pytorch教程之nn.Sequential类详解——使用Sequential类来自定义顺序连接模型
热门推荐
MIss-Y的博客
05-26 12万+
前言：类似于keras中的序贯模型，当一个模型较简单的时候，我们可以使用torch.nn.Sequential类来实现简单的顺序连接模型。这个模型也是继承自Module类的，关于这个类，后面的文章会详细介绍。 一、关于Sequential类的简介 先来看一下它的定义吧，在之前，我们首先需要明确一个特别重要的观念，那就是——torch的核心是Module类， Module类在下面这个模...
（十六）完整的模型验证套路
m0_58702532的博客
05-03 830
【声明】来源b站视频小土堆PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】_哔哩哔哩_bilibili 测试/demo 套路：利用及已经训练好的模型，给它提供输入 模型是在谷歌的gpu上训练好的，精度为60多，这边直接加载 test.py import torch from PIL import Image import torchvision import torch.nn as nn img_path = "./data/cat.png" #图片路径 image.
Python PyTorch6：卷积神经网络
Amzmks的博客
08-14 3269
例：使用卷积神经网络修改MNIST案例。 import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader # 下载训练集 train_dataset = datasets.MNIST(root='./', tra
神经网络来啦
Angeliaaa的博客
11-11 1210
本文以下面这个图为例，来实战演示神经网络中的卷积层、池化层、线性层的具体用法，使得由原来输入3@32x32（3渠道，宽32，高32）的数据，最终转化为了10的线性数据。并且采用两种方式去写，一种没有用Sequential，一种用了Sequential。发现，当神经网络需要很多层的变换的时候，往往使用Sequential会会更加的方便。 1.卷积层 由3@32X32（3渠道，宽32，高32）的数据转换成32@32X32（32渠道，宽32，高32）的代码实现是怎么样的呢？ 代码如下...
使用pytorch搭建一个三层卷积神经网络
03-23
好的，使用 PyTorch 搭建一个三层卷积神经网络的代码如下： ```python import torch import torch.nn as nn class ConvNet(nn.Module): def __init__(self): super(ConvNet, self).__init__() self.layer1 = nn.Sequential( nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2), nn.BatchNorm2d(16), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2)) self.layer2 = nn.Sequential( nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2), nn.BatchNorm2d(32), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2)) self.layer3 = nn.Sequential( nn.Conv2d(32, 64, kernel_size=5, stride=1, padding=2), nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2)) self.fc = nn.Linear(64 * 7 * 7, 10) def forward(self, x): out = self.layer1(x) out = self.layer2(out) out = self.layer3(out) out = out.reshape(out.size(0), -1) out = self.fc(out) return out ``` 这个三层卷积神经网络包含了三个卷积层和一个全连接层，其中每个卷积层都包含了卷积、批量归一化、ReLU 激活和最大池化操作。最后的全连接层将卷积层的输出展平并映射到输出类别的数量上。

“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
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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