Pytorch(二)

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
python 复制代码
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 x

net = 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

python 复制代码
from torch.utils.data import TensorDataset
from torch.utils.data import DataLoader
from torch import optim

train_ds = TensorDataset(x_train,y_train)
train_dl = DataLoader(train_ds,batch_size=bs,shuffle=True)

valid_ds = TensorDataset(x_valid,y_valid)
valid_dl = DataLoader(valid_ds,batch_size=bs * 2)

def get_data(train_ds,valid_ds):
    return (
        DataLoader(train_ds,batch_size=bs,shuffle=True),
        DataLoader(valid_ds,batch_size=bs * 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:

python 复制代码
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(
                in_channels=1, #灰度图
                out_channels=16, #要得到多少个特征图
                kernel_size=5, #卷积核大小
                stride=1, #步长
                padding=2,
            ),
            nn.ReLU(), #relu层
            nn.MaxPool2d(kernel_size=2),  #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
相关推荐
Codebee几秒前
“自举开发“范式:OneCode如何用低代码重构自身工具链
java·人工智能·架构
说私域12 分钟前
基于开源AI智能名片链动2+1模式的S2B2C商城小程序:门店私域流量与视频号直播融合的生态创新研究
人工智能·小程序·开源
Ronin-Lotus14 分钟前
深度学习篇---Yolov系列
人工智能·深度学习
悠悠小茉莉29 分钟前
Win11 安装 Visual Studio(保姆教程 - 更新至2025.07)
c++·ide·vscode·python·visualstudio·visual studio
静心问道42 分钟前
GoT:超越思维链:语言模型中的有效思维图推理
人工智能·计算机视觉·语言模型
m0_6256865543 分钟前
day53
python
aneasystone本尊1 小时前
学习 Claude Code 的工具使用(三)
人工智能
szxinmai主板定制专家1 小时前
【精密测量】基于ARM+FPGA的多路光栅信号采集方案
服务器·arm开发·人工智能·嵌入式硬件·fpga开发
T__TIII1 小时前
Dify 自定义插件
人工智能·github
Real_man1 小时前
告别 requirements.txt,拥抱 pyproject.toml和uv的现代Python工作流
python