PyTorch学习笔记（4）卷积、池化、非线性激活

最新推荐文章于 2024-08-20 07:00:00 发布

游星凌

最新推荐文章于 2024-08-20 07:00:00 发布

阅读量1.3k

点赞数 1

分类专栏：人工智能文章标签： pytorch 深度学习学习卷积神经网络

本文链接：https://blog.csdn.net/youxing_ling/article/details/126351340

版权

本文是PyTorch学习笔记的第四部分，详细介绍了卷积、池化和非线性激活的概念与应用。内容包括卷积层的Conv2d参数解释、池化层的MaxPool2d介绍及其实际应用，以及ReLU和Sigmoid激活函数的作用和代码示例。

摘要由CSDN通过智能技术生成

文章目录

基本骨架

只需要继承 Module 类，再实现相应的方法即可。

这里实现了一个极简的神经网络，即对输入值加一再输出。

from  torch import nn
import torch

#一个简单的神经网络
class Test(nn.Module):
    def __init__(self):
        super(Test, self).__init__()

    def forward(self,input):
        output = input+1
        return output

test = Test()
x = torch.tensor(1.0)
output = test.forward(x)
print(output)

卷积操作

这里用 nn.functional 实现最基本的卷积运算。

nn 中的大多数 layer 在functional中都有一个与之对应的函数。

nn.functional 中的函数与 nn.Module 的区别是：

nn.Module 实现的层（layer）是一个特殊的类，都是由 class Layer(nn.Module) 定义，会自动提取可学习的参数
nn.functional 中的函数更像是纯函数,由 def functional(input）定义。

但在进行训练时，最好使用 nn.module，比较方便。

import torch
import torch.nn.functional as F

input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]])
print(input)
# 卷积核
kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])

input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))

#升纬
print(input.shape)
print(kernel.shape)

#进行一次卷积运算
output = F.conv2d(input, kernel, stride=1)
print(output)

#二维卷积
output2 = F.conv2d(input, kernel, stride=2