12.09 深度学习-经典神经网络LeNets5

一共七层,3个卷积层,2个池化层,2个全连接层

三个卷积层:

​ C1包括6个5×5卷积核

​ C3包括60个5×5卷积核(通道)

​ C5包括120×16个5×5卷积核

两个池化层S2和S4:

​ 都是2×2的平均池化,并添加了非线性映射

第一个全连接层:84个神经元

第二个全连接层: 10个神经元

所有激活函数采用Sigmoid

import torch

import torch.nn as nn

def demo1():

class LeNets5_C3_12(nn.Module):

def init(self,in_channels=3,total_channels=6,*args, **kwargs):

super().init(*args, **kwargs)

self.in_channels=in_channels

self.total_channels=total_channels

self.C3=nn.ModuleList([nn.Conv2d(self.in_channels,1,kernel_size=5) for i in range(self.total_channels)])

def forward(self,x):

c3_out_total=torch.empty(x.shape[0],0,x.shape[2]-4,x.shape[3]-4)

针对12到14的特色情况

if self.total_channels==3:

for i in range(len(self.C3)):

index=[(0+i)%6,(1+i)%6,(2+i)%6,(3+i)%6,(4+i)%6,(5+i)%6]

index.pop(-1)

index.pop(2)

c3_out=self.C3[i](x[:,[j for j in index],:,:])

拼接C3层总的输出特征图 在dim=1 上

print(c3_out.shape)

c3_out_total=torch.cat([c3_out_total,c3_out],dim=1)

return c3_out_total

for i in range(len(self.C3)):

c3_out=self.C3[i](x[:,[j%6 for j in range(i,i+int(self.in_channels))],:,:])

拼接C3层总的输出特征图 在dim=1 上

print(c3_out.shape)

c3_out_total=torch.cat([c3_out_total,c3_out],dim=1)

return c3_out_total

class LeNets5(nn.Module):

def init(self, *args, **kwargs):

super().init(*args, **kwargs)

self.C1=nn.Sequential(nn.Conv2d(1,6,kernel_size=5),nn.ReLU())

self.S2=nn.AdaptiveMaxPool2d(14) # 自动池化 传入输出图的大小 特征图的数量不变

LeNets5非密集的特征图连接关系 目的是减少参数量的同时效果不会下降太多

# LeNets5 网络C3层的特殊处理 每个输出通道的输入通道 不一样 输入的通道数是一样的 使用列表推导式创建6个(3,1,kernel_size=5)的卷积核

self.C3_3_1=nn.ModuleList([nn.Conv2d(3,1,kernel_size=5) for i in range(6)])

self.C3_4_1=nn.ModuleList([nn.Conv2d(4,1,kernel_size=5) for i in range(6)])

# C3 前12个很像 可以单独做一个小的神经网络

创建 C3层前12个通道

self.C3_3_1=LeNets5_C3_12(3)

self.C3_4_1=LeNets5_C3_12(4)

self.C3_4__1=LeNets5_C3_12(4,3)

self.C3_6_1=nn.Sequential(nn.Conv2d(6,1,kernel_size=5))

self.S4=nn.AdaptiveMaxPool2d(5) # 自动池化 传入输出图的大小 特征图的数量不变

self.C5=nn.Sequential(nn.Linear(16*5*5,120),nn.ReLU())

self.F6=nn.Sequential(nn.Linear(120,84),nn.ReLU())

self.out=nn.Sequential(nn.Linear(84,10),nn.Softmax())

def forward(self,x):

x=self.C1(x)

x=self.S2(x)

c3_out_total=torch.empty(x.shape[0],0,x.shape[2]-4,x.shape[3]-4) # 通道数为0 size 减4个 要在通道上面拼接 卷积完后形状 减了4

# C3层传入 上层输出的NCHW为 1 6 28 28 C3层每一个小层传入 012,123,234,345 。。。

for i in self.C3_3_1:

c3_out=i(x[:,[j%6 for j in range(i,i+3)],:,:])

# 拼接C3层总的输出特征图 在dim=1 上

torch.cat(c3_out_total,c3_out)

for i in self.C3_4_1:

c3_out=i(x[:,[j%6 for j in range(i,i+4)],:,:])

# 拼接C3层总的输出特征图 在dim=1 上

torch.cat(c3_out_total,c3_out)

c3_out_3_1=self.C3_3_1(x)

c3_out_4_1=self.C3_4_1(x)

print(c3_out_3_1.shape)

print(c3_out_4_1.shape)

c3_out_4__1=self.C3_4__1(x)

print(c3_out_4__1.shape)

c3_out_6_1=self.C3_6_1(x)

print(c3_out_6_1.shape)

x=torch.cat([c3_out_3_1,c3_out_4_1,c3_out_4__1,c3_out_6_1],dim=1)

x=nn.ReLU(x)

x=self.S4(x)

x=x.view(x.shape[0],-1)

x=self.C5(x)

x=self.F6(x)

x=self.out(x)

return x

图像NCHW

img1=torch.randn(1,1,32,32)

net1=LeNets5()

res=net1.forward(img1)

print(res)

进行训练 。。。

if name=="main":

pass

demo1()

相关推荐
文火冰糖的硅基工坊6 小时前
[人工智能-大模型-19]:GitHub Copilot:程序员的 AI 编程副驾驶
人工智能·github·copilot
shuououo8 小时前
YOLOv4 核心内容笔记
人工智能·计算机视觉·目标跟踪
DO_Community11 小时前
普通服务器都能跑:深入了解 Qwen3-Next-80B-A3B-Instruct
人工智能·开源·llm·大语言模型·qwen
WWZZ202511 小时前
快速上手大模型:机器学习3(多元线性回归及梯度、向量化、正规方程)
人工智能·算法·机器学习·机器人·slam·具身感知
deephub12 小时前
深入BERT内核:用数学解密掩码语言模型的工作原理
人工智能·深度学习·语言模型·bert·transformer
PKNLP12 小时前
BERT系列模型
人工智能·深度学习·bert
兰亭妙微12 小时前
ui设计公司审美积累 | 金融人工智能与用户体验 用户界面仪表盘设计
人工智能·金融·ux
AKAMAI13 小时前
安全风暴的绝地反击 :从告警地狱到智能防护
运维·人工智能·云计算
岁月宁静13 小时前
深度定制:在 Vue 3.5 应用中集成流式 AI 写作助手的实践
前端·vue.js·人工智能
galaxylove13 小时前
Gartner发布数据安全态势管理市场指南:将功能扩展到AI的特定数据安全保护是DSPM发展方向
大数据·人工智能