PyTorch入门2

最新推荐文章于 2022-09-22 09:38:45 发布

ThirteenL

最新推荐文章于 2022-09-22 09:38:45 发布

阅读量121

点赞数

本文链接：https://blog.csdn.net/qq_42169456/article/details/103517837

版权

神经网络

全连接神经网络:
```
 nn.Linear() 是pytorch里面的线性模块，也就是全连接层,主要参数有

 inputs_size:输入的数据大小

 outputs_size：输出的数据的大小

 bias: 表示是否使用偏置,是一个bool值，默认为True,

 样例:
```
from torch.nn import nn

class FullConnectionNet(nn.Module):
def init(self):
super(FullConnectionNet,self).init
self.layer1 = nn.Sequential(nn.Linear(inputs_size,32,bias=False),# bias 表示是否使用偏差，默认为True
nn.BatchNormld(32),nn.Relu(True))
# nn.BatchNormld:用于进行批标准化
self.layer2 = nn.Sequential(nn.Linear(32,64),nn.BatchNormld(64),nn.Relu(True))
self.layer3 = nn.Sequential(nn.Linear(64,outputs_size))
def forward(self,inputs):
net = self.layer1(inputs)
net = self.layer2(net)
out = self.layer2(net)
```
     return out
```

卷积神经网络:

	nn.Conv2d()是pytorch中的二维卷积模块，里面常用的参数依次是:

		in_channels:表示输入的通道数(一般就根据图片的通道数来定)

		out_channels:表示输出的通道数，也就是卷积核的个数(自由设置或者参考经典的网络模型的参数设置)

		kernel_size:表示卷积核的高和宽，一般都采用宽高相等的卷积核，(3,2)表示高为3，宽为2

		stride:表示卷积核在图片上滑动的步长，默认为1

		padding: padding=1表示四周进行一个像素点的零填充，依次类推

	nn.Maxpool2d()是pytorch里面的最大池化模块，常用参数有:

		kernel_size,stride，padding，都跟上面一样，不再赘述

	样例(以LeNet为例)

from torch.nn import nn

class LeNet(nn.Module):
    def __init__(self,input_channels,n_class):
        input_channels 
        n_class
        super(LeNet,self).__init__()
        self.conv1 = nn.Sequential(nn.Conv2d(input_channels,6,kernel_size=5,stride=1,padding=1,bias=Ture),nn.AvgPool2d(kernel_size=2,stride=2,padding=1))
        self.conv2 = nn.Sequential(nn.Conv2d(6,6,kernel_size=5,stride=1,padding=1,bias=Ture),nn.AvgPool2d(kernel_size=2,stride=2,padding=1))
        self.conv3 = nn.Sequential(nn.Conv2d(6,16,kernel_size=5,stride=1,padding=1,bias=Ture))
        self.linear = nn.Sequential(nn.Linear(400,120),nn.Linear(120,84),nn.Linear(84,n_class))  # emmm，待验证，哈哈哈，我不想去试了^0^!!
    def forward(x):
        net = self.conv1(x)
        net = self.conv2(net)
        net = self.conv3(net)
        net = net.view(net.size(0),-1)
        out = self.linear(net)
        return out

参考书籍:《深度学习入门之PyTorch》