PyTorch实现卷积神经网络的搭建详解
PyTorch中实现卷积的重要基础函数
1、nn.Conv2d:
nn.Conv2d在pytorch中用于实现卷积。
nn.Conv2d( in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1, )
1、in_channels为输入通道数。
2、out_channels为输出通道数。
3、kernel_size为卷积核大小。
4、stride为步数。
5、padding为padding情况。
6、dilation表示空洞卷积情况。
2、nn.MaxPool2d(kernel_size=2)
nn.MaxPool2d在pytorch中用于实现最大池化。
具体使用方式如下:
MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
1、kernel_size为池化核的大小
2、stride为步长
3、padding为填充情况
3、nn.ReLU()
nn.ReLU()用来实现Relu函数,实现非线性。
4、x.view()
x.view用于reshape特征层的形状。
全部代码
这是一个简单的CNN模型,用于预测mnist手写体。
import os import numpy as np import torch import torch.nn as nn import torch.utils.data as Data import torchvision import matplotlib.pyplot as plt # 循环世代 EPOCH = 20 BATCH_SIZE = 50 # 下载mnist数据集 train_data = torchvision.datasets.MNIST(root='./mnist/',train=True,transform=torchvision.transforms.ToTensor(),download=True,) # (60000, 28, 28) print(train_data.train_data.size()) # (60000) print(train_data.train_labels.size()) train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True) # 测试集 test_data = torchvision.datasets.MNIST(root='./mnist/', train=False) # (2000, 1, 28, 28) # 标准化 test_x = torch.unsqueeze(test_data.test_data, dim=1).type(torch.FloatTensor)[:2000]/255. test_y = test_data.test_labels[:2000] # 建立pytorch神经网络 class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() #----------------------------# # 第一部分卷积 #----------------------------# self.conv1 = nn.Sequential( nn.Conv2d( in_channels=1, out_channels=32, kernel_size=5, stride=1, padding=2, dilation=1 ), nn.ReLU(), nn.MaxPool2d(kernel_size=2), ) #----------------------------# # 第二部分卷积 #----------------------------# self.conv2 = nn.Sequential( nn.Conv2d( in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1, dilation=1 ), nn.ReLU(), nn.MaxPool2d(kernel_size=2), ) #----------------------------# # 全连接+池化+全连接 #----------------------------# self.ful1 = nn.Linear(64 * 7 * 7, 512) self.drop = nn.Dropout(0.5) self.ful2 = nn.Sequential(nn.Linear(512, 10),nn.Softmax()) #----------------------------# # 前向传播 #----------------------------# def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = x.view(x.size(0), -1) x = self.ful1(x) x = self.drop(x) output = self.ful2(x) return output cnn = CNN() # 指定优化器 optimizer = torch.optim.Adam(cnn.parameters(), lr=1e-3) # 指定loss函数 loss_func = nn.CrossEntropyLoss() for epoch in range(EPOCH): for step, (b_x, b_y) in enumerate(train_loader): #----------------------------# # 计算loss并修正权值 #----------------------------# output = cnn(b_x) loss = loss_func(output, b_y) optimizer.zero_grad() loss.backward() optimizer.step() #----------------------------# # 打印 #----------------------------# if step % 50 == 0: test_output = cnn(test_x) pred_y = torch.max(test_output, 1)[1].data.numpy() accuracy = float((pred_y == test_y.data.numpy()).astype(int).sum()) / float(test_y.size(0)) print('Epoch: %2d'% epoch, ', loss: %.4f' % loss.data.numpy(), ', accuracy: %.4f' % accuracy)
以上就是PyTorch实现卷积神经网络的搭建详解的详细内容,更多关于PyTorch搭建卷积神经网络的资料请关注脚本之家其它相关文章!
相关文章
在Python中使用matplotlib模块绘制数据图的示例
这篇文章主要介绍了在Python中使用matplotlib模块绘制数据图的示例,matplotlib模块经常被用来实现数据的可视化,需要的朋友可以参考下2015-05-05PyCharm插件开发实践之PyGetterAndSetter详解
这篇文章主要介绍了PyCharm插件开发实践-PyGetterAndSetter,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下2021-10-10
最新评论