DeepLearning:使用Pytorch搭建神经网络

最新推荐文章于 2023-08-18 21:47:50 发布

RP_M

最新推荐文章于 2023-08-18 21:47:50 发布

阅读量2.3k

点赞数

分类专栏： CV 文章标签： pytorch 神经网络深度学习

本文链接：https://blog.csdn.net/weixin_43771204/article/details/121228997

版权

本文介绍了如何使用PyTorch构建神经网络，包括nn.Module的使用，卷积层、最大池化层、非线性激活函数如ReLU、Sigmoid和Tanh的原理及实现，线性层、BatchNorm层、Dropout层的作用，以及Sequential容器的使用。此外，还探讨了损失函数如L1Loss、MSELoss和CrossEntropyLoss，并讲解了反向传播和优化器在模型训练中的应用。

摘要由CSDN通过智能技术生成

使用Pytorch搭建神经网络

文章目录

使用Pytorch搭建神经网络

nn.Moudle

nn.Moudle含义

nn.Moudle是所有神经网络模型的父类，我们自己定义的模型应当是nn.Moudle的子类，在我们编写自己的模型时，务必要记得继承该类。同时，我们必须重写init方法与forward前向传播方法，以完成我们自己的网络。

代码实战

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

上述代码定义了一个Model类，继承了nn.Moudle。

卷积层

卷积层含义

卷积层对于计算机视觉研究者十分重要，其核心理论在CS231N笔记中，目前我们只讨论编程细节。因为输入的特征图为图像，所以目前暂时只讨论CONV2D方法。

官网文档解释如下：

根据上图的公式，我们可以得知在torch.nn.Conv2d函数中有一些重要的参数如下，参数较为常见：

卷积层重要公式

假设我们的特征输入图各参数表示如下：
$input:\left( N,C_{in},H_{in},W_{in} \right)$
其中N为BatchSize的数量，C为通道数，H，W为特征图长、宽。

假设我们的特征输出图各参数表示如下：
$output:\left( N,C_{out},H_{out},W_{out} \right)$
由卷积核的各个参数，我们可以得到输出图像的大小为：
$H_{out}=\frac{H_{in}+2×P-K}{S}+1$

不同卷积操作对比

Blue maps are inputs, and cyan maps are outputs.

在这里插入图片描述
动态演示详见：https://github.com/vdumoulin/conv_arithmetic/blob/master/README.md

代码实战

import torch
import torchvision
from torch.utils.data import DataLoader
from torch import nn

dataset = torchvision.datasets.CIFAR10("../../data",train=False,transform=torchvision.transforms.ToTensor(),download=False)
dataloader = DataLoader(dataset,batch_size = 64)

class mrp(nn.Module):
    def __init__(self):
        super(mrp, self).__init__()<