PyTorch - 24 - CNN输出大小公式 - 额外的神经网络调试Session

最新推荐文章于 2022-07-16 12:08:02 发布

许喜远

最新推荐文章于 2022-07-16 12:08:02 发布

阅读量622

点赞数

分类专栏： PyTorch 文章标签：深度学习 pytorch 机器学习数据挖掘神经网络

本文链接：https://blog.csdn.net/weixin_48367136/article/details/112546673

版权

本文详细介绍了PyTorch中CNN网络的结构，包括输入层、卷积层、激活函数和池化操作。通过一个具体的例子展示了张量在各层间的变换，解释了卷积层输出大小的计算公式，并演示了如何使用调试器逐步执行forward方法以理解网络行为。接下来的内容将转向CNN的训练过程。

摘要由CSDN通过智能技术生成

PyTorch - 24 - CNN输出大小公式 - 额外的神经网络调试Session

Overview Of Our Network
Passing A Batch Of Size One (A Single Image)
- #1 Input Layer
- #2 Convolutional Layer (1)
Convolution Operations Use Filters
The `relu() `Activation Function
The Max Pooling Operation
Convolution Layer Summary
CNN Output Size Formula
- CNN Output Size Formula (Square)
- CNN Output Size Formula (Non-Square)
#3 Convolutional Layer (2)
#4 #5 #6 Linear Layers
Training The CNN Is Next

Overview Of Our Network

我们流程的高级概述

准备数据
建立模型
a. 了解前向转换
训练模型
分析模型的结果

在过去的六篇文章中，我们将使用的CNN是我们一直在使用的CNN。

输入层
隐藏的转换层
隐藏的转换层
隐藏的线性层
隐藏的线性层
输出层

我们使用PyTorch的nn.Module类构建了该网络，网络类的定义如下：

class Network(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5)
        self.conv2 = nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5)

        self.fc1 = nn.Linear(in_features=12*4*4, out_features=120)
        self.fc2 = nn.Linear(in_features=120, out_features=60)
        self.out = nn.Linear(in_features=60, out_features=10)

    def forward(self, t):
        # (1) input layer
        t = t

        # (2) hidden conv layer
        t = self.conv1(t)
        t = F.relu(t)
        t = F.max_pool2d(t, kernel_size=2, stride=2)

        # (3) hidden conv layer
        t = self.conv2(t)
        t = F.relu(t)
        t = F.max_pool2d(t, kernel_size=2, stride=