深圳服务网站入口,公司管理系统名称大全,从化建网站,wordpress ip检测目录 一、介绍
二、先决条件
三、代码解释 一、介绍
在深度学习领域#xff0c;构建复杂的神经网络模型可能是一项艰巨的任务#xff0c;尤其是当您有许多层和操作需要组织时。幸运的是#xff0c;PyTorch提供了一个方便的工具#xff0c;称为Sequential API#xff0c…目录 一、介绍
二、先决条件
三、代码解释 一、介绍
在深度学习领域构建复杂的神经网络模型可能是一项艰巨的任务尤其是当您有许多层和操作需要组织时。幸运的是PyTorch提供了一个方便的工具称为Sequential API它简化了神经网络架构的构建过程。在本文中将探讨如何使用Sequential API构建一个用于图像分类的卷积神经网络CNN。接下来将详细探讨每部分代码并讨论每个组件并清楚地了解如何在项目中充分利用PyTorch的Sequential API。
二、先决条件
对神经网络和PyTorch有基本了解。安装了PyTorch的Python环境。
三、代码解释
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.tensorboard import SummaryWriter在此代码片段中导入了必要的库包括PyTorch及其用于神经网络操作的模块以及用于TensorBoard可视化的SummaryWriter。
class Tudui(nn.Module):def __init__(self):super(Tudui, self).__init__()self.model1 Sequential(Conv2d(3, 32, 5, padding2),MaxPool2d(2),Conv2d(32, 32, 5, padding2),MaxPool2d(2),Conv2d(32, 64, 5, padding2),MaxPool2d(2),Flatten(),Linear(1024, 64),Linear(64, 10),)Tudui类定义了神经网络模型。并使用Sequential API创建一系列层和操作而不是逐一定义每个层并分别管理它们。在这种情况下我们有三个卷积层每个卷积层后跟一个最大池化层。然后将输出展平并添加两个全连接线性层。这些层是按顺序定义的使代码更加简明和可读。 def forward(self, x):x self.model1(x)return x在forward方法中通过模型构造函数传递输入张量x。由于层在self.model1中按顺序组织并不需要在前向传递中单独调用每个层。这简化了代码并增强了其清晰度。
tudui Tudui()创建了Tudui模型的一个实例。
input torch.ones((64, 3, 32, 32))
output tudui(input)生成一个形状为(64, 3, 32, 32)的示例输入张量并将其通过模型传递以获得输出。
writer SummaryWriter(logs)
writer.add_graph(tudui, input)
writer.close()为了使用TensorBoard可视化模型的架构和计算图所以创建了一个SummaryWriter并添加了图形。这一步对于调试和理解数据流经网络的过程非常有价值。
完整代码如下 输入大小为3*32*32
经过3次【5*5卷积核卷积-2*2池化核池化】操作后输出为64*4*4大小
展平后为1*1024大小
经过全连接层后输出为1*10import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.tensorboard import SummaryWriterclass Tudui(nn.Module):def __init__(self):super(Tudui,self).__init__()# self.conv1 Conv2d(3,32,5,padding2)# # self.maxpool1 MaxPool2d(2)# # self.conv2 Conv2d(32,32,5,padding2)# # self.maxpool2 MaxPool2d(2)# # self.conv3 Conv2d(32,64,5,padding2)# # self.maxpool3 MaxPool2d(2)# # self.flatten Flatten()# # self.linear1 Linear(1024,64)# # self.linear2 Linear(64,10)
# 构建一个序列化的container可以把想要在神经网络中添加的操作都放进去按顺序进行执行。self.model1 Sequential(Conv2d(3, 32, 5, padding2),MaxPool2d(2),Conv2d(32, 32, 5, padding2),MaxPool2d(2),Conv2d(32, 64, 5, padding2),MaxPool2d(2),Flatten(),Linear(1024, 64),Linear(64, 10),)可以看到上面神经网络进行搭建时非常繁琐在init中进行了多个操作的定以后需要在forward中逐次进行调用因此我们使用sequential方法在init方法中直接定义一个model然后在下面的forward方法中直接使用一次model即可。def forward(self,x):# x self.conv1(x)# x self.maxpool1(x)# x self.conv2(x)# x self.maxpool2(x)# x self.conv3(x)# x self.maxpool3(x)# x self.flatten(x)# x self.linear1(x)# x self.linear2(x)x self.model1(x)return xtudui Tudui()
print(tudui)
input torch.ones((64,3,32,32))
output tudui(input)
print(output.shape)writer SummaryWriter(logs)
writer.add_graph(tudui,input)
writer.close()
参考资料
视频教程PyTorch深度学习快速入门教程绝对通俗易懂【小土堆】
