一、Lenet5网络结构

二、model.py

import torch.nn as nn
import torch.nn.functional as F# 定义类（类名LeNet）,nn.Moudle是父类
class LeNet(nn.Module):# 初始化函数【实现在搭建网络中所需要的一些网络层结构】def __init__(self):super(LeNet, self).__init__()  # 【Super继承父类的构造函数】Super函数解决在多层继承中，调用父类方法可能会出现的问题（涉及到多继承都会使用Super）self.conv1 = nn.Conv2d(3, 16, 5) #卷积：(输入特征的深度【输入是RGB彩色图片】，输出特征的深度，即卷积核的个数【16个卷积核（使用几个卷积核就会生成多少维的特征矩阵）】，卷积核尺寸【5*5】)self.pool1 = nn.MaxPool2d(2, 2) #下采样：Maxpool2d方法self.conv2 = nn.Conv2d(16, 32, 5)self.pool2 = nn.MaxPool2d(2, 2)self.fc1 = nn.Linear(32 * 5 * 5, 120) #全连接层的输入是一维向量，需要将得到的特征矩阵展平为一维向量。（120是LeNet的结点个数）self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)# forward函数定义正向传播的过程def forward(self, x): #x是输入数据（待处理的数据，没处理前是图片）#经过卷积层1得到的输出经过relu激活函数x = F.relu(self.conv1(x))  # input(3, 32, 32) output(16, 28, 28)x = self.pool1(x)  # output(16, 14, 14)x = F.relu(self.conv2(x))  # output(32, 10, 10)x = self.pool2(x)  # output(32, 5, 5)#view函数将特征矩阵展出一维向量（这里的-1，表示不确定展开几行）x = x.view(-1, 32 * 5 * 5)  # output(32*5*5)x = F.relu(self.fc1(x))  # output(120)x = F.relu(self.fc2(x))  # output(84)x = self.fc3(x)  # output(10)return x

（1）Conv2d方法的官方说明文档链接：

https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html?highlight=conv2d#torch.nn.Conv2d

$N= \left ( W-F+2P \right )/S + 1$

其中【输入图片大小为W*W】，【Filter大小F*F】，【步长S】，【padding的像素数为P】。

（根据上述公式，Lenet网络conv1层的输入：input（3，32，32），则一层卷积后的尺寸大小为：（32-5+2*0）/1 +1）=28，output（16，28，28））

（3）Pytorch Tensor的通道排序：[batch，channel，height，width]

（4）下采样层Pool池化层，MaxPool2d方法：

池化层只改变特征矩阵的高与宽，不会影响矩阵的深度。

（根据（2）中公式，pool1下采样层输入：input（16，28，28），则池化后的尺寸大小为：（28-2+2*0）/2 +1）=14，output（16，14，14））

（5）View（）函数：

view中一个参数定为-1，代表动态调整这个维度上的元素个数，以保证元素的总数不变。

（6）调试，查看终端网络的结构:

# 测试
import torchintput1 = torch.rand([32, 3, 32, 32])  # batch数量:32,channel深度：3，heigh高：32，width宽：32
model = LeNet()  # 实例化模型
print(model)
output = model(intput1)

三、train.py

import torch
import torchvision
import torch.nn as nn
from model import LeNet
import torch.optim as optim
import torchvision.transforms as transformsdef main():# Compose将所使用的预处理的方法打包成一个整体transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])# 50000张训练图片# 第一次使用时要将download设置为True才会自动去下载数据集# transform是对图像进行预处理的函数train_set = torchvision.datasets.CIFAR10(root='./data', train=True,download=False, transform=transform)# 将训练集导入进来，分成批次# 【batch_size】：每次随机拿出36张图片进行训练# 【shuffle】：数据集是否打乱，True为打乱# 【num_workers】：载入数据的线程数train_loader = torch.utils.data.DataLoader(train_set, batch_size=36,shuffle=True, num_workers=0)# 10000张验证图片# 第一次使用时要将download设置为True才会自动去下载数据集val_set = torchvision.datasets.CIFAR10(root='./data', train=False,download=False, transform=transform)val_loader = torch.utils.data.DataLoader(val_set, batch_size=5000,shuffle=False, num_workers=0)val_data_iter = iter(val_loader)val_image, val_label = val_data_iter.next()# classes = ('plane', 'car', 'bird', 'cat',#            'deer', 'dog', 'frog', 'horse', 'ship', 'truck')net = LeNet()loss_function = nn.CrossEntropyLoss()optimizer = optim.Adam(net.parameters(), lr=0.001)for epoch in range(5):  # loop over the dataset multiple timesrunning_loss = 0.0for step, data in enumerate(train_loader, start=0):# get the inputs; data is a list of [inputs, labels]inputs, labels = data# zero the parameter gradientsoptimizer.zero_grad()# forward + backward + optimizeoutputs = net(inputs)loss = loss_function(outputs, labels)loss.backward()optimizer.step()# print statisticsrunning_loss += loss.item()if step % 500 == 499:    # print every 500 mini-batcheswith torch.no_grad():outputs = net(val_image)  # [batch, 10]predict_y = torch.max(outputs, dim=1)[1]accuracy = torch.eq(predict_y, val_label).sum().item() / val_label.size(0)print('[%d, %5d] train_loss: %.3f  test_accuracy: %.3f' %(epoch + 1, step + 1, running_loss / 500, accuracy))running_loss = 0.0print('Finished Training')save_path = './Lenet.pth'torch.save(net.state_dict(), save_path)if __name__ == '__main__':main()

（1）transforms.ToTensor：

（2） transforms.Normalize标准化：

最后，仅小白学习深度学习的笔记，如有错误，请多多指教。该笔记源于观看B站UP主，霹雳吧啦Wz。相关网址：https://www.bilibili.com/video/BV187411T7Ye/?spm_id_from=333.788&vd_source=a26986127371efd81983577687e46aad

一、Lenet5网络结构

二、model.py

（1）Conv2d方法的官方说明文档链接：

（3）Pytorch Tensor的通道排序：[batch，channel，height，width]

（4）下采样层Pool池化层，MaxPool2d方法：

（5）View（）函数：

（6）调试，查看终端网络的结构:

三、train.py

pytorch官方代码demo（Lenet）解析笔记【B站UP主“霹雳吧啦Wz”视频观看】相关推荐

pytorch常用代码
20211228 https://mp.weixin.qq.com/s/4breleAhCh6_9tvMK3WDaw 常用代码段本文代码基于 PyTorch 1.x 版本,需要用到以下包: impo ...
PyTorch常用代码段整理合集，建议收藏！
点击上方,选择星标或置顶,每天给你送干! 阅读大概需要12分钟跟随小博主,每天进步一丢丢张皓:南京大学计算机系机器学习与数据挖掘所(LAMDA)硕士生,研究方向为计算机视觉和机器学习,特别是视觉识 ...
PyTorch 常用代码段示例整理
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达众所周知,程序猿在写代码时通常会在网上搜索大量资料,其中大部分是代 ...
PyTorch常用代码段整理合集
本文代码基于PyTorch 1.0版本,需要用到以下包 import collections import os import shutil import tqdmimport numpy as np ...
pytorch list转tensor_点赞收藏：PyTorch常用代码段整理合集
机器之心转载来源:知乎作者:张皓众所周知,程序猿在写代码时通常会在网上搜索大量资料,其中大部分是代码段.然而,这项工作常常令人心累身疲,耗费大量时间.所以,今天小编转载了知乎上的一篇文章,介绍了 ...
YOLOV5dataset.py代码注释与解析
YOLOv5代码注释版更新啦,注释的是最近的2021.07.14的版本,且注释更全 github: https://github.com/Laughing-q/yolov5_annotations Y ...
PyTorch 常用代码段整理合集
PyTorch 常用代码段整理合集来源:知乎作者:张皓众所周知,程序猿在写代码时通常会在网上搜索大量资料,其中大部分是代码段.然而,这项工作常常令人心累身疲,耗费大量时间.所以,今天小编转载了知 ...
Pytorch 常用代码
Pytorch 常用代码本文代码基于PyTorch 1.0版本,需要用到以下包 import collections import os import shutil import tqdmimpor ...
语义分割｜学习记录（5）Pytorch官方实现的FCN网络结构
文章目录前言 FCN网络结构参考资料前言 Pytorch官方实现的FCN和当年论文的结构图稍有不同,因为现在有了更多的backbone的选择,而且应用了膨胀卷积技术. FCN网络结构下图是Py ...

pytorch官方代码demo（Lenet）解析笔记【B站UP主“霹雳吧啦Wz”视频观看】

一、Lenet5网络结构

二、model.py

（1）Conv2d方法的官方说明文档链接：

（3）Pytorch Tensor的通道排序：[batch，channel，height，width]

（4）下采样层Pool池化层，MaxPool2d方法：

（5）View（）函数：

（6）调试，查看终端网络的结构:

三、train.py

pytorch官方代码demo（Lenet）解析笔记【B站UP主“霹雳吧啦Wz”视频观看】相关推荐

最新文章

热门文章