PyTorch——线性层及其他层介绍(6)


线性层

前面1,1,1是你想要的,后面我们不知道这个值是多少,取-1让Python自己计算


python 复制代码
import torch
import torchvision
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader

# 加载CIFAR-10测试数据集并转换为Tensor格式
dataset = torchvision.datasets.CIFAR10("./data", train=False, transform=torchvision.transforms.ToTensor(),
                                       download=True)

# 创建数据加载器,每批次包含64个样本
dataloader = DataLoader(dataset, batch_size=64)

# 定义神经网络模型TY
class TY(nn.Module):
    def __init__(self):
        super(TY, self).__init__()
        # 定义全连接层:输入维度196608,输出维度10(对应10个类别)
        self.Linear1 = Linear(196608, 10)

    def forward(self, input):
        # 前向传播:将输入数据通过全连接层
        output = self.Linear1(input)
        return output

# 实例化模型
ty = TY()

# 遍历数据加载器中的每个批次
for data in dataloader:
    # 获取图像数据和对应的标签
    imgs, target = data
    # 打印原始图像张量形状:[批次大小, 通道数, 高度, 宽度]
    print(imgs.shape)
    
    # 将图像张量展平为一维向量
    # 注意:此处reshape参数(1,1,1,-1)会导致维度错误,正确应为(-1, 196608)
    output = torch.reshape(imgs, (1, 1, 1, -1))
    # 打印展平后的张量形状
    print(output.shape)
    
    # 将展平后的数据输入模型
    output = ty(output)
    # 打印模型输出形状:[批次大小, 类别数]
    print(output.shape)

另一种表达 flatten展平

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("./data",train=False,transform=torchvision.transforms.ToTensor(),
                                       download=True)

dataloader = DataLoader(dataset,batch_size=64)

class TY(nn.Module):
    def __init__(self):
        super(TY,self).__init__()
        self.Linear1 = Linear(196608,10)

    def forward(self,input):
        output = self.Linear1(input)
        return output

ty = TY()

for data in dataloader:
    imgs,target = data
    print(imgs.shape)
    output=torch.flatten(imgs)
    print(output.shape)
    output = ty(output)
    print(output.shape)
相关推荐
mortimer2 小时前
安装NVIDIA Parakeet时,我遇到的两个Pip“小插曲”
python·github
@昵称不存在3 小时前
Flask input 和datalist结合
后端·python·flask
赵英英俊3 小时前
Python day25
python
东林牧之3 小时前
Django+celery异步:拿来即用,可移植性高
后端·python·django
何双新4 小时前
基于Tornado的WebSocket实时聊天系统:从零到一构建与解析
python·websocket·tornado
码字的字节4 小时前
深度学习损失函数的设计哲学:从交叉熵到Huber损失的深入探索
深度学习·交叉熵·huber
AntBlack4 小时前
从小不学好 ,影刀 + ddddocr 实现图片验证码认证自动化
后端·python·计算机视觉
凪卄12135 小时前
图像预处理 二
人工智能·python·深度学习·计算机视觉·pycharm
巫婆理发2225 小时前
强化学习(第三课第三周)
python·机器学习·深度神经网络
碳酸的唐5 小时前
Inception网络架构:深度学习视觉模型的里程碑
网络·深度学习·架构