Pytorch（二）定义卷积神经网络

最新推荐文章于 2024-09-17 16:44:06 发布

Gloria_song

最新推荐文章于 2024-09-17 16:44:06 发布

阅读量2.1k

点赞数 3

分类专栏：神经网络——小白

本文链接：https://blog.csdn.net/xs_211314/article/details/83215856

版权

本文介绍了PyTorch中定义卷积神经网络的基本步骤，包括初始化网络参数和层结构，以及定义层间关系。通过一个小demo，阐述了torch.nn.init和torch.nn.functional中激活函数的区别，强调在需要保存激活数据和学习参数时应使用torch.nn中的激活函数。作者鼓励读者坚持学习，提供QQ小号以供交流。

摘要由CSDN通过智能技术生成

个人认为神经网络的的搭建代码虽然很简单，但是确实最为重要的一部分。话不多说，开始介绍。

神经网络的定义其实很简单，就是两部分，这个是基本的套路。

1）_init_() 初始化网络，定义网络的一些参数，以及他的层结构

2）forward() 定义层结构之间的关系

可能没太看明白，没关系看了代码你就会很清晰了

小demo:

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

class Net(nn.Module):  #所有的模型都是Module的子类，都继承了他
    def __init__(self):  #类中定义的函数都有个参数self
        super(Net,self).__init__()
        self.conv1=nn.Conv2d(3,6,5) 
 #定义了一个卷积层，三个参数分别代表，输入的通道数，输出的#通道数（也就是过滤器的个数），还有过滤器的大小
        self.pool=nn.MaxPool2d(2,2)  #定义一个池化层，两个参数分别代表过滤器的大小和步长
        self.conv2=nn.Conv2d(6,16,5)
        self.fc1=nn.Linear(16*5*5,120) #定义一个全连接层
        self.fc2=nn.Linear(120,84)
        self.fc3&#