超级会员免费看
这篇博客介绍了如何使用卷积神经网络（CNN）对MINIST数据集进行分类。内容包括CNN的输入和输出形状说明，图像大小计算，以及在PyTorch中训练过程中的损失函数计算。作者通过示例代码解释了在网络训练中，不同形状的输出和标签如何进行交叉熵损失计算，并提供了相关GitHub资源链接供参考。
目的
使用卷积网络、全连接网络，对MINIST数据进行分类
形状说明
卷积网络：
通常，卷积神经网络都是一个4D的形状输入，（batch,channel,行列值，行列值），如代码中的（64，1，28，28），如下图。
通常，卷积神经网络都是一个4D的形状输出，（batch,out_channel,行列值，行列值），如代码中的（64，32，7，7）
输入到全连接网络：
输入值应当为图片信息，输入形状需要根据图像大小展平reshape(-1, 32×7×7)，即为（batch=64，32×7×7）
输出形状根据nn.Linear(256, 10)的10个分类可知，形状为（batch=64，10）
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
