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)