nn.ReLU的使用
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
"""
其主要为测试ReLu函数的使用,其主要功能就是将数值大于0的保留,数值小于零的变成0。
此处还是简单使用手动创造的张量进行演示。
并创建自己模型,模型只有一个功能就是经过Relu进行得到最后的结果。
验证图片数据进入后会发生什么变化。
"""
input = torch.tensor([[1, -0.5],
[-1, 3]])
class MyModule(nn.Module):
def __init__(self):
super().__init__()
self.Relu = nn.ReLU()
def forward(self, x):
output = self.Relu(x)
return output
myModule = MyModule()
output = myModule(input)
print(output)
结果:
tensor([[1., 0.],
[0., 3.]])
ReLU的主要参数解释为: inplace表示是否修改原值,Ture则无返回值,即修改input的值。
nn.Sigmoid函数
引入非线性激活函数目的:即给网络引入更多的非线性特征。提高训练精度。
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
"""
其主要为测试ReLu函数的使用,其主要功能就是将数值大于0的保留,数值小于零的变成0。
此处还是简单使用手动创造的张量进行演示。
并创建自己模型,模型只有一个功能就是经过Relu进行得到最后的结果。
验证图片数据经过 Sigmoid进入后会发生什么变化。
"""
dataset = torchvision.datasets.CIFAR10("../DataSet/dataset", train=False, transform=torchvision.transforms.ToTensor(),
download=False)
dataloader = DataLoader(dataset, 64)
class MyModule(nn.Module):
def __init__(self):
super().__init__()
self.ReLu = nn.ReLU()
self.Sigmoid = nn.Sigmoid()
def forward(self, x):
output = self.Sigmoid(x)
return output
writer = SummaryWriter("Sigmoid")
myModule = MyModule()
for data in dataloader:
imgs, target = data
writer.add_images("input", imgs)
output = myModule(imgs)
writer.add_images("output", output)
break
writer.close()
实验结果:像是蒙上一层滤镜!