1 问题
问题1: 多个卷积层连续输出方法
问题2: 多个卷积层加上多个全连接层的输出方法。
2 方法
问题1: 多个卷积层连续输出方法
创建多个卷积层并连接它们时，通常会在每个卷积层后使用激活函数，这有助于引入非线性性，从而使网络能够学习更复杂的特征。激活函数有Sigmoid 函数、ReLU 函数、Tanh 函数等等，这里用ReLU作演示。（不同的激活函数适用于不同的情况，通常需要根据具体的任务和数据集来选择。ReLU 及其变体通常是首选，因为它们在实践中表现得很好。）
|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| import torch from torch import nn conv = nn.Conv2d( in_channels=3, out_channels=16, kernel_size=3, stride=2, ) conv1 = nn.Conv2d( in_channels= 16, # 输入通道数 out_channels= 64, # 当前卷积层使用的卷积核的数量 kernel_size= 3, # 卷积核的大小 3x3 stride=1, # 步长, 规定了卷积核每次扫描移动的步数,默认值为1 # padding默认值为0 padding=1,# 使用填充获得与输入特征图相同的尺寸, 3x3使用padding=1,5x5使用padding=2 ) # 激活函数 activation = nn.ReLU() if name == 'main': # 构造输入层数据 x = torch.rand(size=(3, 5, 5)) x = conv(x) x = activation(x) x = conv1(x) x = activation(x) print(x.shape) |
问题2: 多个卷积层加上多个全连接层的输出方法
卷积层到全连接层之间连接时需要flatten。 flatten 通常指的是将一个多维的张量（tensor）转换成一个一维的张量，以便进行全连接层等操作。可以使用 view 方法来实现这一操作。
|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| import torch from torch import nn conv = nn.Conv2d( in_channels=3, out_channels=16, kernel_size=3, stride=2, ) conv1 = nn.Conv2d( in_channels= 16, # 输入通道数 out_channels= 64, # 当前卷积层使用的卷积核的数量 kernel_size= 3, # 卷积核的大小 3x3 stride=1, # 步长, 规定了卷积核每次扫描移动的步数,默认值为1 # padding默认值为0 padding=1, ) # 全连接层 fc1 = nn.Linear(in_features=4,out_features=256) fc2 = nn.Linear(in_features=256,out_features=10) # 激活函数 activation = nn.ReLU() if name == 'main': # 构造输入层数据 x = torch.rand(size=(3, 5, 5)) x = conv(x) x = activation(x) x = conv1(x) x = activation(x) # 展平 x = x.view(x.size(0), -1) # 全连接层和激活函数 x = fc1(x) x = activation(x) x = fc2(x) print(x.shape) |
3 结语
在深度学习中，多个卷积层通过使用激活函数引入非线性，以学习更复杂的特征。通常，ReLU是常用的激活函数。在卷积层与全连接层之间，需要进行flatten操作，将多维张量转换成一维张量，以便进行全连接层的操作。这些是构建深度神经网络的关键步骤。