北京建设工程信息网站,做门图网站,黄石本土做网站的公司,辽宁省营商环境建设局 网站目录
神经网络的基本骨架
卷积操作 torch.nn.functional.conv2d 神经网络的基本骨架
搭建Neural Network骨架主要用到的包是torch.nn#xff0c;官方文档网址#xff1a;torch.nn — PyTorch 2.0 documentation#xff0c;其中torch.nn.Module很重要#xff0c;是所有所…目录
神经网络的基本骨架
卷积操作 torch.nn.functional.conv2d 神经网络的基本骨架
搭建Neural Network骨架主要用到的包是torch.nn官方文档网址torch.nn — PyTorch 2.0 documentation其中torch.nn.Module很重要是所有所有神经网络模块的基类即自己搭建的网络必须继承torch.nn.Module基类官方文档地址Module — PyTorch 2.0 documentation。
搭建模型时集成torch.nn.Module后必须要重写两个函数__init__()和forward()。
import torch.nn as nn
import torch.nn.functional as Fclass Model(nn.Module):def __init__(self):super().__init__()self.conv1 nn.Conv2d(1, 20, 5)self.conv2 nn.Conv2d(20, 20, 5)def forward(self, x):x F.relu(self.conv1(x))return F.relu(self.conv2(x))卷积操作 torch.nn.functional.conv2d
torch.nn包含了torch.nn.functional两者中都包含了Conv、Pool等层操作且用法和效果都是一样的但是具体的输入参数有所不同。用的torch.nn.functional.conv2d举例但其实在以后使用中torch.nn.Conv2d更常用。
torch.nn.functional.conv2d(input, weight, biasNone, stride1, padding0, dilation1, groups1) → Tensor
CLASS torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride1, padding0, dilation1, groups1, biasTrue, padding_mode‘zeros’, deviceNone, dtypeNone)torch.nn.functional.conv2d中的Input、weight也就是kernel都必须是4维张量每维的含义是[batch_size, C, H, W]必要的时候可用reshape()或unsqueeze()对张量进行扩维。 (1) reshape是对改变tensor的形状各维度的乘积与原本保持一致。 (2) unsqueeze是在指定维度上扩充一个1维。
import torchx torch.arange(15)
x2 torch.reshape(x, [3, 5]) # 用list或tuple表示形状都可以
y1_reshape torch.reshape(x, [1, 1, 3, 5]) # reshape:只要所有维度乘在一起的积不变就可以任意扩充多个维度
y2_unsqueeze torch.unsqueeze(x2, 2) # unsequeeze:第二个参数的数据类型是int所以只能在指定维度上扩充一个1维(升维)
c_squeeze torch.squeeze(y1_reshape) # sequeeze:只传入一个tensor参数然后将tensor的所有1维删掉(降维)print(x.shape:{}.format(x.shape))
print(x2.shape:{}.format(x2.shape))
print(y1_reshape.shape:{}.format(y1_reshape.shape))
print(y2_unsqueeze.shape:{}.format(y2_unsqueeze.shape))
print(c_squeeze.shape:{}.format(c_squeeze.shape))import torch
import torch.nn.functional as Finput torch.tensor([[1, 2, 0, 3, 1],[0, 1, 2, 3, 1],[1, 2, 1, 0, 0],[5, 2, 3, 1, 1],[2, 1, 0, 1, 1]])
kernel torch.tensor([[1, 2, 1],[0, 1, 0],[2, 1, 0]])print(input.shape)
print(kernel.shape)# input、kernel都扩充到4维
input torch.reshape(input, (1, 1, 5, 5))
kernel torch.reshape(kernel, (1, 1, 3, 3))out F.conv2d(input, kernel, stride1)
print(out{}.format(out))out2 F.conv2d(input, kernel, stride2)
print(out2{}.format(out2))out3 F.conv2d(input, kernel, stride1, padding1)
print(out3{}.format(out3))
