LeNet
导入第三方库
import torch
from torch import nn
from d2l import torch as d2l
定义LeNet网络
net = nn.Sequential(nn.Conv2d(1,6,kernel_size=5,padding=2),nn.Sigmoid(),
#填充5-1=4 4/2=2 上下左右都填充2
#卷积层+激活层 卷积1输入通道数——>6输出
nn.AvgPool2d(kernel_size=2,stride=2),
#池化层
nn.Conv2d(6,16,kernel_size=5),nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2,stride=2),
#卷积 激活 池化
nn.Flatten(),
#展开成一维线性
nn.Linear(16*5*5,120),nn.Sigmoid(),
#全连接 激活
nn.Linear(120,84),nn.Sigmoid(),
nn.Linear(84,10)
)
展示一下结果
x=torch.rand(size=(1,1,28,28),dtype=torch.float32)
#随机生成一个1输入1输出 28*28大小的矩阵
for layer in net:
#每一层都做如下处理
x=layer(x)
print(layer.__class__.__name__,'output shape:\t',x.shape)
输入图像维度为 1x1x28x28 经过第一层卷积 5x5后 输出为1x6x24x24 则说明使用了6个5x5的卷积核进行卷积操作
图中的conv2d函数,设置的是1个输入通道数,6个输出通道(过滤器),以及做了填充,所以输出的是6*28*28。
第2个卷积,没有填充,所以经过该卷积之后,特征图会变小
定义模型评估函数
def evaluate_accuracy_gpu(net,data_iter,device=None):#@save
if isinstance(net,nn.Module):
#如果net是nn里的模型的话
net.eval()
#把模型设置成评估模型
if not device:#如果没有填设备,就使用模型默认的设备(cuda或者cpu)
device=next(iter(net.parameters())).device
metric = d2l.Accumulator(2)
with torch.no_grad():
for x,y in data_iter:
if isinstance(x,list):
#如果x是列表的话,就把列表中的每个数据放进cuda或者cpu中
x=[x.to(device) for x in x]
else:
#如果不是列表,直接放进cuda或者cpu
x=x.to(device)
y=y.to(device)
metric.add(d2l.accuracy(net(x),y),y.numel())
#把正确数和总数放入
return metric[0]/metric[1]
定义训练函数
def train_ch6(net,train_iter,test_iter,num_epochs,lr,device):
def init_weights(m):
if type(m)==nn.Linear or type(m)==nn.Conv2d:
nn.init.xavier_uniform(m.weight)
net.apply(init_weights)
#调用初始化参数函数
print('training on',device)
net.to(device)
#把网络放到cuda或者cpu中运行
optimizer = torch.optim.SGD(net.parameters(),lr=lr)
#定义优化函数
loss = nn.CrossEntropyLoss()
#定义损失函数
animator = d2l.Animator(xlabel='epoch',xlim=[1,num_epochs],legend=['train loss','train acc','test acc'])
#定义可视化函数
timer,num_batches=d2l.Timer(),len(train_iter)
for epoch in range(num_epochs):
metric=d2l.Accumulator(3)
net.train()
for i,(x,y) in enumerate(train_iter):
#遍历训练集
timer.start()
#开始计时
optimizer.zero_grad()
#梯度清理
x,y=x.to(device),y.to(device)
y_hat=net(x)
#求得估计值
l=loss(y_hat,y)
#损失值
l.backward()
optimizer.step()
#梯度更新
with torch.no_grad():
metric.add(l*x.shape[0],d2l.accuracy(y_hat,y),x.shape[0])
#存放(错误的个数(损失度*总个数),正确的个数,总个数)
timer.stop()
#停止计时
train_l=metric[0]/metric[2]
train_acc=metric[1]/metric[2]
if (i+1)%(num_batches//5)==0 or i==num_batches-1:
#//是整数除法,大致意思就是每5组数据,就在可视化图上标一个点
animator.add(epoch+(i+1)/num_batches,(train_l,train_acc,None))
test_acc=evaluate_accuracy_gpu(net,test_iter)
#评估该轮整体的模型效率
animator.add(epoch+1,(None,None,test_acc))
print(f'loss{train_l: .3f},train acc {train_acc: .3f},'
f'test acc {test_acc: .3f}')
print(f'{metric[2]*num_epochs/timer.sum(): .1f} examples/sec'
f'on {str(device)}')
AlexNet
丢弃法控制模型复杂度
relu,相比sigmoid函数,他让梯度更大,
sigmoid激活函数的输出一般接近0或者1,这些地方的梯度几乎为0。relu函数在正区间的梯度总为1。所以他让梯度更大。
在零点处支撑一阶导,支持更深的模型
maxpooling使输出更大,让梯度更大一点
VGG
首先3*3计算更快。其次,在同样的计算成本下, 模型更深、窗口更窄的效果比较好。所以不是5*5
块中的每一次卷积都是3*3 填充1(3-1=2 /2=1)所以每层卷积之后 特征图大小不变。
在块末,2*2池化,步幅为2,即,特征图直接小一半。所以后一块的输入是前一块的输出(前一块输入的一半)。如上上上图,224 112 56 28 14 7