核心代码

首先介绍一下 torch.nn.Conv2d()，传入参数的含义如下：

in_channels # 输入通道数
out_channels # 输出通道数
kernel_size # 卷积核尺寸，常见有 1，3，5，7
stride # 步长，默认为1
padding # 填充，默认零填充
dilation # 空洞卷积，默认为 1
groups # 组卷积，默认为 1
bias # 是否需要偏置，默认为 True

和原代码在形式上稍微有点不同，这里使用了 nn.Sequential() 模块快速进行搭建。上一层的输出直接作为下一层的输入。输入要求为 1 * 1 * 32 * 32 的四维张量。

import torch
import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.features = nn.Sequential(# 输入通道数为 1，输出通道数为 6，有 6 个 1*5*5 卷积核nn.Conv2d(1, 6, 5),nn.MaxPool2d(2, 2),# 输入通道数为 6，输出通道数为 16，有 16 个 6*5*5 卷积核nn.Conv2d(6, 16, 5),nn.MaxPool2d(2, 2),)self.classifier = nn.Sequential(nn.Linear(16*5*5, 120),nn.ReLU(True),nn.Linear(120, 84),nn.ReLU(True),nn.Linear(84, 10),)def forward(self, x):# 卷积x = self.features(x)# x 为 4 维张量。把 x 的尺寸调整为 [1, 16*5*5]x = x.view(x.size(0), -1)# 分类x = self.classifier(x)# x 的尺寸为 [1, 10]return x

卷积

以 1 * 1 * 32 * 32 的输入为例。第一个 1 表示 batchsize，第二个 1 表示通道数(channel)，后面三个参数可视为一个立方体。conv 表示卷积，pooling 表示池化。

卷积 + 分类

网络架构

print(Net())

输出

Net((features): Sequential((0): Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))(1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))(3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False))(classifier): Sequential((0): Linear(in_features=400, out_features=120, bias=True)(1): ReLU(inplace=True)(2): Linear(in_features=120, out_features=84, bias=True)(3): ReLU(inplace=True)(4): Linear(in_features=84, out_features=10, bias=True))
)

查看参数

params = list(net.parameters())
len(params)
# conv1's .weight
params[0].size()
# conv2's .weight
params[2].size()

输出

10
torch.Size([6, 1, 5, 5])  # 表示 6 个 1 * 5 * 5 的卷积核
torch.Size([16, 6, 5, 5])  # 表示 16 个 6 * 5 * 5 的卷积核

这 10 个参数分别是

conv1.weight
conv1.bias
conv2.weight
conv2.bias
fc1.weight
fc1.bias
fc2.weight
fc2.bias
fc3.weight
fc3.bias

如果想要详细查看个参数的具体数值，这样

# 查看某个参数数值
params[0]
# 或查看所有参数数值
for param in net.parameters():print(param)

[PyTorch] 官网教程之神经网络相关推荐

[pytorch] 官网教程+注释
pytorch官网教程+注释 Classifier import torch import torchvision import torchvision.transforms as transform ...
关于pytorch官网教程中的What is torch.nn really?（三）
文章目录 Switch to CNN `nn.Sequential` Wrapping `DataLoader` Using your GPU Closing thoughts 原文在这里. 因为MN ...
pytorch官网教程：autograd代码理解
# Autograd: 自动求导机制#PyTorch 中所有神经网络的核心是 autograd 包,torch.Tensor是这个包的核心类. #如果设置 .requires_grad 为 True, ...
pytorch官网教程：cifar10代码理解
import torch import torchvision import torchvision.transforms as transforms import matplotlib.pyplot ...
pytorch官网教程：tensor代码理解
#tensor from __future__ import print_function import torch #创建一个 5x3 矩阵, 但是未初始化 x = torch.empty(5,3) ...
02/03_Pytorch安装、Conda安装Pythorch，换源、pytorch官网、验证、安装jupyter、卸载、安装、启动jupyter、配置Jupyter notebook、使用
1.2.Pytorch安装 1.2.1.Conda安装Pythorch,换源 1 conda添加清华镜像源查看源 conda config --show-sources 由于从官方的conda源中下 ...
MNE溯源fieldtrip官网教程
MNE溯源fieldtrip官网教程 Introduction 在本教程中,您可以找到有关如何使用最小范数估计进行源重构的信息,以重构单个主题的事件相关字段(MEG).我们将使用预处理教程中描述的数据 ...
解决pytorch官网下载慢ubuntu16.04+anaconda3(python3.6)+pytorch0.4.1+cuda9.0+cudnn7.1安装指南
一.准备工作 1.系统环境是ubuntu 2.去anaconda官网下载anaconda3,python版本是3.5以上的就行,官网最新的是python3.7,没有关系,反正自己可以创建新环境来选择 ...
Spring Cloud学习笔记—网关Spring Cloud Gateway官网教程实操练习
Spring Cloud学习笔记-网关Spring Cloud Gateway官网教程实操练习 1.Spring Cloud Gateway介绍 2.在Spring Tool Suite4或者IDEA ...

[PyTorch] 官网教程之神经网络

文章目录

核心代码

卷积

卷积 + 分类

网络架构

[PyTorch] 官网教程之神经网络相关推荐

最新文章

热门文章