PyTorch快速入门教程四(cnn:卷积神经网络 )

最新推荐文章于 2024-09-25 19:15:04 发布

weixin_34234721

最新推荐文章于 2024-09-25 19:15:04 发布

阅读量276

点赞数 1

文章标签：人工智能 python

原文链接：https://my.oschina.net/earnp/blog/1113891

版权

为什么80%的码农都做不了架构师？>>>

以前的教程中我们已经完成了基础部分，接下来进入深度学习部分，第一个要讲的是cnn，也就是卷积神经网络：

数据集仍然是使用MNIST手写字体，和之前一样做同样的预处理。

model

# 定义 Convolution Network 模型
class Cnn(nn.Module):
    def __init__(self, in_dim, n_class):
        super(Cnn, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_dim, 6, 3, stride=1, padding=1),
            nn.ReLU(True),
            nn.MaxPool2d(2, 2),
            nn.Conv2d(6, 16, 5, stride=1, padding=0),
            nn.ReLU(True),
            nn.MaxPool2d(2, 2),
        )

        self.fc = nn.Sequential(
            nn.Linear(400, 120),
            nn.Linear(120, 84),
            nn.Linear(84, n_class)
        )

    def forward(self, x):
        out = self.conv(x)
        out = out.view(out.size(0), -1)
        out = self.fc(out)
        return out

model = Cnn(1, 10)  # 图片大小是28x28
use_gpu = torch.cuda.is_available()  # 判断是否有GPU加速
if use_gpu:
    model = model.cuda()
# 定义loss和optimizer
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)

以上就是网络的模型的部分了。和之前比主要增加了这些不一样的部分

1、nn.Sequential()

这个表示将一个有序的模块写在一起，也就相当于将神经网络的层按顺序放在一起，这样可以方便结构显示

2、nn.Conv2d()

这个是卷积层，里面常用的参数有四个，in_channels, out_channels, kernel_size, stride, padding

in_channels表示的是输入卷积层的图片厚度
out_channels表示的是要输出的厚度
kernel_size表示的是卷积核的大小，可以用一个数字表示长宽相等的卷积核，比如kernel_size=3，也可以用不同的数字表示长宽不同的卷积核，比如kernel_size=(3, 2) stride表示卷积核滑动的步长

padding表示的是在图片周围填充0的多少，padding=0表示不填充，padding=1四周都填充1维

3、nn.ReLU()
这个表示使用ReLU激活函数，里面有一个参数inplace，默认设置为False，表示新创建一个对象对其修改，也可以设置为True，表示直接对这个对象进行修改
4、nn.MaxPool2d() 这个是最大池化层，当然也有平均池化层，里面的参数有kernel_size, stride, padding

kernel_size表示池化的窗口大小，和卷积层里面的 kernel_size是一样的

stride也和卷积层里面一样，需要自己设置滑动步长

padding也和卷积层里面的参数是一样的，默认是0

模型需要传入的参数是输入的图片维数以及输出的种类数