电影手机网站建设,自己做好网站,酒店预订网站开发,邢台seo网站制作一、分类任务 构建分类网络模型
必须继承nn.Module且在其构造函数中需调用nn.Module的构造函数无需写反向传播函数#xff0c;nn.Module能够利用autograd自动实现反向传播Module中的可学习参数可以通过named_parameters()返回迭代器
from torch import nn
import torch.nn.f…一、分类任务 构建分类网络模型
必须继承nn.Module且在其构造函数中需调用nn.Module的构造函数无需写反向传播函数nn.Module能够利用autograd自动实现反向传播Module中的可学习参数可以通过named_parameters()返回迭代器
from torch import nn
import torch.nn.functional as F# 构建自己的网络
class Mnist_NN(nn.Module):def __init__(self):super().__init__()self.hidden1 nn.Linear(784,128)self.hidden2 nn.Linear(128,256)self.out nn.Linear(25,10)# 前向传播def forward(self,x):x F.relu(self.hidden1(x))x F.relu(self.hidden2(x))x self.out(x)return xnet Mnist_NN()
print(net)# 打印定义好的名字里的权重和偏置项
for name,parameter in net.named_parameters():print(name,parameter,parameter.size())
二、Dataset与DataLoader
from torch.utils.data import TensorDataset
from torch.utils.data import DataLoader
from torch import optimtrain_ds TensorDataset(x_train,y_train)
train_dl DataLoader(train_ds,batch_sizebs,shuffleTrue)valid_ds TensorDataset(x_valid,y_valid)
valid_dl DataLoader(valid_ds,batch_sizebs * 2)def get_data(train_ds,valid_ds):return (DataLoader(train_ds,batch_sizebs,shuffleTrue),DataLoader(valid_ds,batch_sizebs * 2),)def get_model():model Mnist_NN()return model,optim.SGD(model.parameters(),lr 0.01)
train_dl,valid_dl get_data(train_ds,valid_ds)
model,opt get_model()三、卷积神经网络
3.1卷积网络应用
检测任务分类与检索超分辨率重构无人驾驶人脸识别
3.2卷积网络与传统网络的区别 左:传统神经网络
右:卷积神经网络
整体架构:
输入层:数据输入
卷积层:提取特征
池化层:压缩特征
全连接层:通过一组权重参数将输入层与隐层连接起来 卷积之后得到的值要加上偏置值bias
卷积层涉及参数:
滑动窗口步长:窗口移动跳跃的格数卷积核尺寸:例3*3边缘填充:卷积核个数:
3.3 池化层: 最大池化: 3.4卷积网络的构建
一般卷积层relu层池化层可以写成一个套餐注意卷积最后结构还是一个特征图需要把图转换成向量才能做分类或者回归任务
案例代码如下:
class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.conv1 nn.Sequential(nn.Conv2d(in_channels1, #灰度图out_channels16, #要得到多少个特征图kernel_size5, #卷积核大小stride1, #步长padding2,),nn.ReLU(), #relu层nn.MaxPool2d(kernel_size2), #进行池化操作)self.conv2 nn.Sequential(nn.Conv2d(16,32,5,1,2), #输出(32,14,14)nn.ReLU(),nn.MaxPool2d(2),)self.out nn.Linear(32 * 7 * 7 * 10) #全连接层得到的结果def forward(self,x):x self.conv1(x)x self.conv2(x)x x.view(x.size(0),-1)output self.out(x)return output
