1.CNN模型
卷积神经网络(CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。它主要包括卷积层和池化层。卷积神经网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出之间的映射能力。现在常用的卷积神经网络主要由LeNet,Vgg,ResNet,GAN 等。
类 | 参数 | 说明 |
---|---|---|
nn.Conv2d | 输入通道,输出通道,卷积核大小,步长,填充 | 二维卷积 |
nn.ReLU | 无 | ReLU激活函数 |
nn.MaxPool2d | 池化大小,步长 | 二维池化 |
nn.Linear | 输入特征,输出特征,偏置(默认True) | 全连接层 |
import torch
import torch.nn as nn
import torch.nn.functional as F
class CNNModel(nn.Module):
def __init__(self):
super(CNNModel, self).__init__()
#conv1第一层
self.cnnCRM1 = nn.Sequential(
nn.Conv2d(in_channels = 1, out_channels = 8,kernel_size = 3,
stride = 1,padding = 1),
nn.ReLU(),
nn.MaxPool2d(kernel_size = 2,stride = 2)
)
#conv2第二层
self.cnnCRM2 = nn.Sequential(
nn.Conv2d(
in_channels = 8, out_channels = 16,kernel_size = 3,
stride = 1,padding = 1),
nn.ReLU(),
nn.MaxPool2d(kernel_size = 2,stride = 2)
)
#fully connected 全连接
self.fc1 = nn.Sequential(nn.Linear(784, 64))
self.fc2 = nn.Sequential(nn.Linear(64, 10))
def forward(self, x)