Pytorch学习--神经网络--线性层及其他层

一、正则化层

torch.nn.BatchNorm2d

python 复制代码

torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

正则化的意义：

加速训练收敛：在每一层网络的输入上执行批量归一化可以保持数据的分布稳定，从而减小梯度的波动。这种稳定性让模型更快收敛，从而提高训练速度。
减轻梯度消失和梯度爆炸问题：通过调整每一层的输入分布，Batch Normalization可以减轻深层网络中梯度消失和梯度爆炸的现象，使得更深的网络也能够得到有效的训练。
减少对权重初始化的敏感性：Batch Normalization可以减小网络对权重初始化的依赖，使得模型可以在更宽的初始化范围内有效训练。这减少了在不同模型初始化方案间进行调试的时间和精力。
提高模型的泛化能力：Batch Normalization在训练时引入了少量噪声（由于 mini-batch 的不同），这在一定程度上起到了正则化作用，有助于提高模型的泛化能力，降低过拟合的风险。
降低学习率调整的难度：使用Batch Normalization可以让模型在较高的学习率下进行训练，从而进一步加速训练过程。

二、Dropout层

torch.nn.Dropout

python 复制代码

torch.nn.Dropout(p=0.5, inplace=False)

防止过拟合

三、线性层

torch.nn.Linear

python 复制代码

torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)

代码实现：

CIFAR 中的图片转换为一维的数据(1,m)，再转换成 (1,n) 的维度

python 复制代码

import torch
import torchvision
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10(root="datasets",train=False,transform=torchvision.transforms.ToTensor(),download=True)

dataloader = DataLoader(dataset,batch_size=64)

class Mary(nn.Module):
    def __init__(self):
        super(Mary,self).__init__()
        self.linear1 = Linear(196608,10)
    def forward(self,x):
        x = self.linear1(x)
        return x
Yorelee = Mary()

for data in dataloader:
    img,targets = data
    img = torch.flatten(img)
    print(img.shape)
    output = Yorelee(img)
    print(output.shape)

输出：

python 复制代码

torch.Size([196608])
torch.Size([10])