wordpress自定义站点,php论坛源码下载,聊城网站推广公司,网站建站家文章目录 1. torch.nn.Conv2d2. torch.nn.MaxPool2d3. torch.nn.ReLU4. torch.nn.Linear5. torch.nn.Dropout 卷积神经网络详解#xff1a;csdn链接 其中包括对卷积操作中卷积核的计算、填充、步幅以及最大值池化的操作。
1. torch.nn.Conv2d
对由多个输入平面组成的输入信号… 文章目录 1. torch.nn.Conv2d2. torch.nn.MaxPool2d3. torch.nn.ReLU4. torch.nn.Linear5. torch.nn.Dropout 卷积神经网络详解csdn链接 其中包括对卷积操作中卷积核的计算、填充、步幅以及最大值池化的操作。
1. torch.nn.Conv2d
对由多个输入平面组成的输入信号应用2D卷积。 官方文档torch.nn.Conv2d CLASS torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride1, padding0, dilation1, groups1, biasTrue, padding_modezeros, deviceNone, dtypeNone) 主要参数 in_channelsint输入图像中的通道数out_channelsint卷积产生的通道数kernel_sizeint或tuple卷积内核的大小 默认参数 strideint或tuple可选卷积的步幅。默认值1paddinginttuple或str可选添加到输入的所有四边的填充。默认值0padding_modestr可选‘zeros’ 、 ‘reflect’ 、 ‘replicate’ 或 ‘circular’ 。默认值 ‘zeros’dilationint或tuple可选内核元素之间的间距。默认值1groupsint可选从输入通道到输出通道的阻塞连接数。默认值1biasbool可选如果 True 则向输出添加可学习的偏置。默认值 True 举例说明
import torch
from torch import nn# 内核方正步调一致
m1 nn.Conv2d(16, 33, 3, stride2)
# 非方形内核和不等距步长并有填充
m2 nn.Conv2d(16, 33, (3, 5), stride(2, 1), padding(4, 2))
# 非方形内核和不等步长以及填充和扩张
m3 nn.Conv2d(16, 33, (3, 5), stride(2, 1), padding(4, 2), dilation(3, 1))卷积核通过选取内核大小其中参数值是随机的
import torch
from torch import nnk nn.Conv2d(1, 1, 3, stride1)
print(list(k.parameters()))使用CIFAR10数据进行卷积操作并进行可视化操作
import torch
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter# 使用CIFAR10的训练数据
train_data torchvision.datasets.CIFAR10(../dataset, trainTrue, transformtorchvision.transforms.ToTensor(),downloadTrue)
train_loader DataLoader(train_data, batch_size64)writer SummaryWriter(logs)class Model(nn.Module):def __init__(self):super().__init__()self.model1 nn.Conv2d(in_channels3, out_channels6, kernel_size3, stride1)def forward(self, x):x self.model1(x)return xstep 0
# 创建模型
model Model()
for data in train_loader:imgs, targets dataoutput model(imgs)writer.add_images(input, imgs, step)# output此时为6通道为了可视化现将其转换为3通道# imgs 的形状大小为 [64, 3, 32, 32]# 经过卷积操作后output的高度和宽度为32 - 3 1 30output torch.reshape(output, (-1, 3, 30, 30))writer.add_images(output, output, step)step step 1writer.close()打开命令行输入以下代码并打开TensorBoard的链接 http://localhost:6006/
tensorboard --logdirlogs2. torch.nn.MaxPool2d
最大值池化层对由多个输入平面组成的输入信号应用2D最大池化。 官方文档torch.nn.MaxPool2d CLASS torch.nn.MaxPool2d(kernel_size, strideNone, padding0, dilation1, return_indicesFalse, ceil_modeFalse) 参数 kernel_size 、 stride 、 padding 、 dilation 可以是 单个 int-在这种情况下高度和宽度尺寸使用相同的值两个int的 tuple -在这种情况下第一个int用于高度维度第二个int用于宽度维度 主要参数 kernel_sizeUnion[intTuple[intint]]-窗口的最大值 默认参数 strideUnion[intTuple[intint]]-窗口的步幅。默认值为 kernel_sizepaddingUnion[intTuple[intint]]-要在两边添加的隐式负无穷大填充dilationUnion[intTuple[intint]]-控制窗口中元素步幅的参数return_indicesbool-如果 True 将返回最大索引沿着输出。 torch.nn.MaxUnpool2d 以后有用ceil_modebool-当为True时将使用ceil而不是floor来计算输出形状 最大汇聚层也叫做最大池化层代码实现
import torch
import torchvision.datasets
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter# 使用测试数据集
dataset torchvision.datasets.CIFAR10(./dataset, trainFalse, transformtorchvision.transforms.ToTensor(),downloadTrue)
dataloader DataLoader(dataset, batch_size64)writer SummaryWriter(logs)class Model(nn.Module):def __init__(self):super(Module, self).__init__()self.maxpool1 MaxPool2d(kernel_size3, ceil_modeFalse)def forward(self, input):output self.maxpool1(input)return output# 创建模型
model Model()
step 0
for data in dataloader:imgs, targets dataoutput model(imgs)writer.add_images(input, imgs, step)writer.add_images(output_maxpool, output, step)step step 1writer.close()3. torch.nn.ReLU
非线性激活函数逐元素应用整流线性单位函数 输入与输出形状相同 官方文档torch.nn.ReLU CLASS torch.nn.ReLU(inplaceFalse) 主要参数 inplacebool可以选择就地执行操作。默认值 False 代码实现
import torch
import torchvision.datasets
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter# 使用测试数据集
dataset torchvision.datasets.CIFAR10(../dataset, trainFalse, transformtorchvision.transforms.ToTensor(),downloadTrue)
dataloader DataLoader(dataset, batch_size64)writer SummaryWriter(logs)class Model(nn.Module):def __init__(self):super().__init__()self.relu1 nn.ReLU()def forward(self, input):output self.relu1(input)return output# 创建模型
model Model()
step 0
for data in dataloader:imgs, targets dataoutput model(imgs)writer.add_images(input, imgs, step)writer.add_images(output, output, step)step step 1writer.close()nn.ReLU()不是很明显这里用nn.Sigmoid()更为清除
4. torch.nn.Linear
线性层对传入数据应用线性变换 官方文档torch.nn.Linear CLASS torch.nn.Linear(in_features, out_features, biasTrue, deviceNone, dtypeNone) 主要参数 in_featuresint每个输入样本的大小out_featuresint每个输出样本的大小 默认参数 biasbool如果设置为 False 则层将不会学习加性偏置。默认值 True import torch
import torchvision.datasets
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoaderdataset torchvision.datasets.CIFAR10(./dataset, trainFalse, transformtorchvision.transforms.ToTensor(),downloadTrue)
dataloader DataLoader(dataset, batch_size64)class Module(nn.Module):def __init__(self):super(Module, self).__init__()self.linear1 Linear(196608, 10)def forward(self, input):output self.linear1(input)return outputmodule Module()for data in dataloader:imgs, targets dataprint(imgs.shape)# output torch.reshape(imgs, (1, 1, 1, -1))output torch.flatten(imgs)print(output.shape)output module(output)print(output.shape)5. torch.nn.Dropout
在训练期间使用来自伯努利分布的样本以概率 p 随机地将输入张量的一些元素归零。每个信道将在每次前向呼叫时独立地归零。 官方文档torch.nn.Dropout CLASS torch.nn.Dropout(p0.5, inplaceFalse) 主要参数 pfloat-元素被置零的概率。默认值0.5inplacebool-如果设置为 True 将就地执行此操作。默认值 False
