flatten层_7. PyTorch全连接层(数据集:波士顿房价)

e572e3266cf82b4089865bd177364c48.png
# -*- coding: utf-8 -*-

ce249d6ab58f4b332de8ea0834c09c23.png

16b2e8992e183bd66af3fc2c547f4bc4.png
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PyTorch 中,可以通过使用 nn.Linear 模块来创建全连接层。nn.Linear 可以将输入张量的每个元素与一个权重相乘,然后将所有结果相加并添加一个偏置,得到输出张量。因此,可以通过将特征图展开成向量形式,然后输入 nn.Linear 来进行全连接层的计算,最终得到坐标值。 例如,在目标检测任务中,可以使用一个全连接层来回归物体的中心点坐标和边框大小。假设特征图的大小为 (C, H, W),其中 C 是通道数,H 和 W 分别是高度和宽度。可以使用 view 函数将特征图展开成形状为 (C*H*W,) 的向量,然后输入 nn.Linear 进行计算。假设输出张量的大小为 (N, 4),其中 N 是样本数,4 表示每个样本的坐标值包括两个中心点坐标和两个边框大小,可以使用如下代码实现: ``` import torch.nn as nn class MyModel(nn.Module): def __init__(self, in_channels, out_channels): super(MyModel, self).__init__() self.conv1 = nn.Conv2d(in_channels, 64, kernel_size=3, padding=1) self.conv2 = nn.Conv2d(64, 128, kernel_size=3, padding=1) self.fc = nn.Linear(128 * H * W, out_channels) def forward(self, x): x = F.relu(self.conv1(x)) x = F.relu(self.conv2(x)) x = x.view(x.size(0), -1) # flatten x = self.fc(x) return x ``` 在 forward 函数中,首先通过卷积计算特征图,然后使用 view 函数将其展开成向量形式,最后输入全连接层进行计算。输出张量的大小为 (N, 4),其中 N 是样本数,4 表示每个样本的坐标值包括两个中心点坐标和两个边框大小。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值