pytorch搭建卷积神经网络【第十六课_nn.model】

已于 2022-04-12 20:24:42 修改
阅读量798 收藏
点赞数
分类专栏： pytorch 深度学习的宏观框架 文章标签： pytorch 深度学习 ai
于 2022-04-12 20:21:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42483745/article/details/124133172
版权
该博客通过前言介绍了即将探讨的内容，并提供了一个详细的案例代码链接，案例位于https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb。博客总结部分对整个卷积神经网络的构建进行了概括。
摘要由CSDN通过智能技术生成

文章目录

前言

案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb

#!/usr/bin/env python
# coding: utf-8

# In[1]:


get_ipython().run_line_magic('matplotlib', 'inline')
import numpy as np
import torch
import torch.optim as optim
import torch.nn as nn

torch.set_printoptions(edgeitems=2, linewidth=75)


# In[2]:


seq_model = nn.Sequential(
            nn.Linear(1, 11), # <1>
            nn.Tanh(),
            nn.Linear(11, 1))<
最低0.47元/天 解锁文章
【网络星空】
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
简单粗暴PyTorch之模型创建与nn.module
qq_36642243的博客
08-11 740
模型创建与nn.module一、模型的创建1.1 构建子模块1.2 拼接子模块二、nn.Module 一、模型的创建 模型创建的步骤： 模型构建的两个要素 构建子模块 拼接子模块 1.1 构建子模块 以之前上传的纸币二分类代码为例，对模型的构建进行讲解。 在70行设置断点，查看如何构建LeNet网络。 step into 进入 进入到LeNet的__init__函数构建子模块，创建了两个卷积层与三个全连接层。运行完最后一个子模块self.fc3就会跳出返回，模型的初始化便完成了。 1.2 拼接
利用pytorch搭建卷积神经网络（CNN）训练简单手写数字数据集（MNIST）
最新发布
10-25
卷积神经网络（CNN，Convolutional Neural Network）是一种在图像处理领域广泛应用的深度学习模型。在本项目中，我们将使用PyTorch框架构建一个简单的CNN来识别MNIST数据集中的手写数字。MNIST是机器学习领域的一个...
Pytorch学习之nn.Model
XI_cup的博客
10-17 538
Pytorch学习之nn.Model import torch import torch.nn as nn import torch.nn.functional as F 官网的例子 class Mdeol(nn.Module): # 继承nn.Module这个类 def __init__(self): # 初始化函数 super(Mdeol, self).__init__() # 这个是调用父类初始化函数 self.conv1 = nn.Conv2d(
Pytorch笔记3 :nn.model（）类
weixin_46145616的博客
05-17 3496
nn.model()类 在学习nn.model()类之前，先简要了解一下nn。 nn主要有四个模块 nn.Parameter: 一个张量的子类，用于表示可学习的参数 w， b nn.Module： 网络层的基类，用于管理网络的属性，LeNet是一个module类，LeNet的子模块例如conv2，也是一个nn.module类 nn.functional：用于函数的实现，比如卷积运算，加法运算 nn.__init__：参数初始化方法 nn.Module()类的主要属性 parameter ： 用于存储和
PyTorch-nn.Module
qq_61706112的博客
05-27 1634
PyTorch关于神经网络的一些层的应用。
PyTorch的模型创建与nn.Module
weixin_42154841的博客
09-16 378
PyTorch的模型创建与nn.Module 模型创建与nn.ModulePyTorch的模型创建与nn.Module一、网络模型的创建步骤二、torch.nn模块 一、网络模型的创建步骤 机器学习的模型训练步骤一般来讲都要经过读取数据、建立模型、选择损失函数、选择优化器、迭代训练最后得出模型。具体流程如下图: 在模型模块部分，分为两个部分，模型创建和权值初始化，而模型创建又分为构建网络层，例如卷积层、池化层、激活函数层等等，以及拼接网络层；在拼接网络层部分，把构建好的网络层按照一定的顺序拼接成L
pytorch_pytorch_卷积神经网络_
09-29
这个项目展示了如何在PyTorch中搭建和训练一个简单的卷积神经网络，用于解决MNIST手写数字识别问题。通过调整网络结构、参数设置和训练策略，可以进一步提升模型的性能。同时，PyTorch的动态计算图特性使其在模型...
pytorch之卷积神经网络nn.conv2d
01-06
pytorch之卷积神经网络nn.conv2d 卷积网络最基本的是卷积层，使用使用Pytorch中的nn.Conv2d类来实现二维卷积层，主要关注以下几个构造函数参数： nn.Conv2d(self, in_channels, out_channels, kernel_size, stride, ...
pytorch_model.bin
04-05
本资源为albert的中文预训练模型的pytorch版本，albert为bert的轻量化版本，训练速度快，参数量小
deep_learing_pytorch.zip_CNN_MNIST pytorch_pytorch_优化CNN_卷积神经网络
07-15
在本项目中，我们探索了如何使用PyTorch框架构建并优化一个卷积神经网络（CNN）模型，以解决MNIST手写数字识别任务。MNIST数据集是机器学习领域中一个经典的数据集，用于训练和测试图像分类算法。下面我们将深入讨论...
6、pytorch学习-- nn.Module
qq_42035862的博客
04-18 1880
*前置知识：python中的类和模块 创建一个类 #在python中定义一个类 class Person: #attribute field #属性 name=“Mike” age=22 #方法 def greet(self): print("Hello my name is"+ self.name) #定义一个初始化的方法， def __init__(self): self.name="Alice" #缩进结束，类的定义也结束 p1=Person()#
pytorch.nn.Module类详解
lbywyj的专栏
09-23 622
使用Module类来自定义网络层 https://blog.csdn.net/qq_27825451/article/details/90705328 使用Module类来自定义模型 https://blog.csdn.net/qq_27825451/article/details/90550890 多种定义损失函数的方法 https://blog.csdn.net/qq_27825...
Pytorch中nn.Module模块一些解析
qq_41131535的博客
05-27 1509
一、 model.state_dict() pytorch 中的 state_dict 是一个简单的python的字典对象,将每一层与它的对应参数建立映射关系.(如model的每一层的weights及偏置等等) 注意： （1）只有那些参数可以训练的layer才会被保存到模型的state_dict中,如卷积层,线性层，BN层等等，像什么池化层、激活函数层这些本身没有参数的层是没有在这个字典中的； （2）这个方法的作用一方面是方便查看某一个层的权值和偏置数据，另一方面更多的是在模型保存的时候使用。 代码示例 i
神经网络的基本骨架——nn.Module的使用
爱学习的小登西的博客
05-08 257
pytorch官网——docs（官方文档）——torch.nn（关于神经网络的工具） Containers：给神经网络定义了一些骨架 在卷积神经网络中的一些核心部分： Convolution Layers Pooling layers Padding Layers Non-linear Activations (weighted sum, nonlinearity) Non-linear Activations (other) Normalization Layers Recurrent Layers Tr
torch.nn.model
qq_35027690的博客
10-16 5762
  当我们使用autograd实现深度学习模型时，所实现的模型的抽象程度较低，如果用来实现深度学习模型，则我们需要编写的代码量极大，所以pytorch提供了torch.nn模块，是专门为深度学习设计的模块。 nn.Module   nn.Module是nn模块中的核心结构，它是一个抽象的概念，即可以表示神经网络中的某一层，也可以表示一个包含多个层的神经网络。在实际使用中，最常见的做法是继承nn.M...
卷积神经网络-nn.Module
kiss_the_rian的博客
04-19 313
nn.Module是所有神经网络层的父类。要实现自己的类的话，要先继承他。 特性： 1、有很多内置的函数可以直接调用： 2、Container 可以用nn.Sequential类 3、对网络内的参数更加高效的管理
深度学习（一）多层神经网络，nn.Module搭建和保存网络
qq_39809262的博客
05-26 1211
多层神经网络（nn.Module） 文章目录多层神经网络（nn.Module）1. Logistic回归2.神经网络3.nn.Module 上节我们讲了神经网络，可以看到使用了激活函数之后，神经网络可以通过改变权重实现任意形状，越是复杂的神经网络能拟合的形状越复杂，可以任意逼近非线性函数，这就是著名的神经网络万有逼近定理。 下面用实例来说明神经网络效果更好。 import torch import numpy as np from torch import nn import torch.nn.functi
pytorch学习笔记：nn.Module类方法中部分方法详解
weixin_41555165的博客
10-27 2028
在pytorch卷积层中对卷积核的可视化有些疑问，不知道其中具体的运行过程。考虑到无论是模型还是卷积层，池化层都是继承nn.Module类，本文通过源码了解部分类方法。
神经网络-nn.Module
qq_52237775的博客
01-30 619
torcn.nn是专门为神经网络设计的模块化接口. nn构建于autograd之上，可以用来定义和运行神经网络。 nn.Module是所有网络层基类，用来管理网络属性。所有的网络模型比如说LeNet模型，包括模型的所有子模块，卷积层、池化层也是一个nn.Module类 input—>神经网络（forward）–>output 下面写个示例来复习下forward() import torch from torch import nn class Lwx(nn.Module): def _
nn.modellist
05-23
`nn.ModuleList` 是一个用于存储多个 `nn.Module` 的容器，可以像列表一样进行索引和迭代。与 Python 列表不同的是，`nn.ModuleList` 中的所有模块都会自动地加入到计算图中，因此可以支持自动求导。 `nn.ModuleList` 通常用于存储一组相似的子模块（如多层卷积神经网络中的卷积层），这样可以方便地对它们进行管理和调用。例如： ``` import torch.nn as nn class MyCNN(nn.Module): def __init__(self): super(MyCNN, self).__init__() self.conv_layers = nn.ModuleList([ nn.Conv2d(3, 32, 3, padding=1), nn.ReLU(), nn.Conv2d(32, 64, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2, 2) ]) self.linear_layers = nn.ModuleList([ nn.Linear(64 * 14 * 14, 256), nn.ReLU(), nn.Linear(256, 10) ]) def forward(self, x): for layer in self.conv_layers: x = layer(x) x = x.view(-1, 64 * 14 * 14) for layer in self.linear_layers: x = layer(x) return x ``` 在这个例子中，我们定义了一个 `MyCNN` 类，其中包含两个 `nn.ModuleList`，分别存储了卷积层和全连接层。在 `forward` 方法中，我们依次遍历这些层，并将输入 `x` 依次经过它们，得到最终的输出。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

【网络星空】

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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