神经网络学习小记录34——利用PyTorch实现卷积神经网络

叁歲伎倆 2023-06-24 11:25 39阅读 0赞

### 神经网络学习小记录34——利用PyTorch实现卷积神经网络 ###

*  学习前言
 *  PyTorch中实现卷积的重要基础函数
 *   *  1、nn.Conv2d:
     *  2、nn.MaxPool2d(kernel\_size=2)
     *  3、nn.ReLU()
     *  4、x.view()
 *  全部代码

# 学习前言 #

只有学习才能让人快乐。  
![在这里插入图片描述][20190723165901974.jpg_pic_center]

# PyTorch中实现卷积的重要基础函数 #

## 1、nn.Conv2d: ##

nn.Conv2d在pytorch中用于实现卷积。

nn.Conv2d(
        in_channels=32,
        out_channels=64,
        kernel_size=3,
        stride=1,
        padding=1,
    )

1、in\_channels为输入通道数。  
2、out\_channels为输出通道数。  
3、kernel\_size为卷积核大小。  
4、stride为步数。  
5、padding为padding情况。  
6、dilation表示空洞卷积情况。

## 2、nn.MaxPool2d(kernel\_size=2) ##

nn.MaxPool2d在pytorch中用于实现最大池化。

具体使用方式如下：

MaxPool2d(kernel_size, 
    		stride=None, 
    		padding=0, 
    		dilation=1, 
    		return_indices=False, 
    		ceil_mode=False)

1、kernel\_size为池化核的大小  
2、stride为步长  
3、padding为填充情况

## 3、nn.ReLU() ##

nn.ReLU()用来实现Relu函数，实现非线性。

## 4、x.view() ##

x.view用于reshape特征层的形状。

# 全部代码 #

这是一个简单的CNN模型，用于预测mnist手写体。

import os
    import numpy as np
    import torch
    import torch.nn as nn
    import torch.utils.data as Data
    import torchvision
    import matplotlib.pyplot as plt
    # 循环世代
    EPOCH = 20
    BATCH_SIZE = 50
    
    # 下载mnist数据集
    train_data = torchvision.datasets.MNIST(root='./mnist/',train=True,transform=torchvision.transforms.ToTensor(),download=True,)
    # (60000, 28, 28)
    print(train_data.train_data.size())                 
    # (60000)
    print(train_data.train_labels.size())               
    
    train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)
    
    # 测试集
    test_data = torchvision.datasets.MNIST(root='./mnist/', train=False)
    
    # (2000, 1, 28, 28)
    # 标准化
    test_x = torch.unsqueeze(test_data.test_data, dim=1).type(torch.FloatTensor)[:2000]/255.
    test_y = test_data.test_labels[:2000]
    
    # 建立pytorch神经网络
    class CNN(nn.Module):
        def __init__(self):
            super(CNN, self).__init__()
            #----------------------------#
            #   第一部分卷积
            #----------------------------#
            self.conv1 = nn.Sequential(
                nn.Conv2d(
                    in_channels=1,
                    out_channels=32,
                    kernel_size=5,
                    stride=1,
                    padding=2,
                    dilation=1
                ),
                nn.ReLU(),
                nn.MaxPool2d(kernel_size=2),
            )
            #----------------------------#
            #   第二部分卷积
            #----------------------------#
            self.conv2 = nn.Sequential( 
                nn.Conv2d(
                    in_channels=32,
                    out_channels=64,
                    kernel_size=3,
                    stride=1,
                    padding=1,
                    dilation=1
                ),
                nn.ReLU(),
                nn.MaxPool2d(kernel_size=2),
            )
            #----------------------------#
            #   全连接+池化+全连接
            #----------------------------#
            self.ful1 = nn.Linear(64 * 7 * 7, 512)
            self.drop = nn.Dropout(0.5)
            self.ful2 = nn.Sequential(nn.Linear(512, 10),nn.Softmax())
    
        #----------------------------#
        #   前向传播
        #----------------------------#   
        def forward(self, x):
            x = self.conv1(x)
            x = self.conv2(x)
            x = x.view(x.size(0), -1)
            x = self.ful1(x)
            x = self.drop(x)
            output = self.ful2(x)
        
            return output
    
    cnn = CNN()
    # 指定优化器
    optimizer = torch.optim.Adam(cnn.parameters(), lr=1e-3) 
    # 指定loss函数
    loss_func = nn.CrossEntropyLoss()
    
    for epoch in range(EPOCH):
        for step, (b_x, b_y) in enumerate(train_loader): 
            #----------------------------#
            #   计算loss并修正权值
            #----------------------------#   
            output = cnn(b_x)
            loss = loss_func(output, b_y) 
            optimizer.zero_grad() 
            loss.backward() 
            optimizer.step() 
            #----------------------------#
            #   打印
            #----------------------------#   
            if step % 50 == 0:
                test_output = cnn(test_x)
                
                pred_y = torch.max(test_output, 1)[1].data.numpy()
                accuracy = float((pred_y == test_y.data.numpy()).astype(int).sum()) / float(test_y.size(0))
                print('Epoch: %2d'% epoch, ', loss: %.4f' % loss.data.numpy(), ', accuracy: %.4f' % accuracy)

**有不懂的朋友可以评论询问噢。**

[20190723165901974.jpg_pic_center]: https://img-blog.csdnimg.cn/20190723165901974.jpg#pic_center