动手学深度学习(Pytorch版)代码实践 -卷积神经网络-25使用块的网络VGG

25使用块的网络VGG

python 复制代码
import torch
from torch import nn
import liliPytorch as lp
import matplotlib.pyplot as plt

# 定义VGG块
# num_convs: 卷积层的数量
# in_channels: 输入通道的数量
# out_channels: 输出通道的数量
def vgg_block(num_convs, in_channels, out_channels):
    layers = []
    # 添加num_convs个卷积层
    for _ in range(num_convs):
        layers.append(nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1))
        layers.append(nn.ReLU())
        in_channels = out_channels  # 更新输入通道为当前卷积层的输出通道
    # 添加最大池化层
    layers.append(nn.MaxPool2d(kernel_size=2, stride=2))
    return nn.Sequential(*layers)  # 返回包含所有层的序列

# 定义VGG架构
conv_arch = ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512))  # 每个元组表示(卷积层数量, 输出通道数量)

dropout = 0.5  # 定义dropout率
def vgg(conv_arch):
    conv_blks = []
    in_channels = 1  # 输入通道数为1(灰度图像)
    # 构建卷积层部分
    for num_convs, out_channels in conv_arch:
        conv_blks.append(vgg_block(num_convs, in_channels, out_channels))
        in_channels = out_channels  # 更新输入通道数
    # 返回包含卷积层和全连接层的完整网络
    return nn.Sequential(
        *conv_blks,
        nn.Flatten(),  # 展平层,将多维输入展平成一维
        nn.Linear(out_channels * 7 * 7, 4096),  # 第一个全连接层
        nn.Dropout(dropout),  # dropout层,防止过拟合
        nn.Linear(4096, 4096),  # 第二个全连接层
        nn.ReLU(),  # ReLU激活函数
        nn.Dropout(dropout),  # dropout层
        nn.Linear(4096, 10)  # 输出层,使用的Fashion-MNIST数据集,10分类
    )

net = vgg(conv_arch)  # 创建VGG网络

# 测试网络结构,打印每一层的输出形状
X = torch.randn(size=(1, 1, 224, 224))  # 创建一个随机输入张量
for blk in net:
    X = blk(X)
    print(blk.__class__.__name__, 'output shape:\t', X.shape)    
"""
Sequential output shape:         torch.Size([1, 64, 112, 112])
Sequential output shape:         torch.Size([1, 128, 56, 56])
Sequential output shape:         torch.Size([1, 256, 28, 28])
Sequential output shape:         torch.Size([1, 512, 14, 14])
Sequential output shape:         torch.Size([1, 512, 7, 7])
Flatten output shape:    torch.Size([1, 25088])
Linear output shape:     torch.Size([1, 4096])
Dropout output shape:    torch.Size([1, 4096])
Linear output shape:     torch.Size([1, 4096])
ReLU output shape:       torch.Size([1, 4096])
Dropout output shape:    torch.Size([1, 4096])
Linear output shape:     torch.Size([1, 10])
"""

# 训练模型
# VGG-11比AlexNet计算量更大,因此我们构建了一个通道数较少的网络,足够用于训练Fashion-MNIST数据集。
ratio = 8  # 缩小通道数的比例
small_conv_arch = [(pair[0], pair[1] // ratio) for pair in conv_arch]  # 缩小后的卷积层结构
net = vgg(small_conv_arch)  # 创建缩小后的VGG网络

# 定义训练参数
lr, num_epochs, batch_size = 0.01, 10, 128  # 学习率、训练轮数和批量大小
train_iter, test_iter = lp.loda_data_fashion_mnist(batch_size, resize=224)  # 加载训练和测试数据
lp.train_ch6(net, train_iter, test_iter, num_epochs, lr, lp.try_gpu())  # 训练模型
plt.show()  # 显示绘图

# loss 0.346, train acc 0.873, test acc 0.872
# 1733.7 examples/sec on cuda:0

运行结果:

相关推荐
埃菲尔铁塔_CV算法9 分钟前
深度学习神经网络创新点方向
人工智能·深度学习·神经网络
图片转成excel表格2 小时前
WPS Office Excel 转 PDF 后图片丢失的解决方法
人工智能·科技·深度学习
哇咔咔哇咔2 小时前
【科普】简述CNN的各种模型
人工智能·神经网络·cnn
李歘歘3 小时前
万字长文解读深度学习——多模态模型CLIP、BLIP、ViLT
人工智能·深度学习
B站计算机毕业设计超人3 小时前
计算机毕业设计Python+大模型农产品价格预测 ARIMA自回归模型 农产品可视化 农产品爬虫 机器学习 深度学习 大数据毕业设计 Django Flask
大数据·爬虫·python·深度学习·机器学习·课程设计·数据可视化
新手小白勇闯新世界3 小时前
深度学习知识点5-马尔可夫链
人工智能·深度学习·计算机视觉
布鲁格若门4 小时前
AMD CPU下pytorch 多GPU运行卡死和死锁解决
人工智能·pytorch·python·nvidia
热爱生活的五柒5 小时前
深度学习:利用随机数据更快地测试一个新的模型在自己数据格式很复杂的时候
人工智能·深度学习
科研实践课堂(公众号名称)5 小时前
基于OpenFOAM和深度学习驱动的流体力学计算与应用
人工智能·深度学习