欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

程序员文章站 2022-06-24 23:48:13
目录1.cnn卷积层2. 池化层3.数据批量标准化4.nn.module类①各类函数②容器功能③参数管理④调用gpu⑤存储和加载⑥训练、测试状态切换⑦ 创建自己的层5.数据增强1.cnn卷积层通过nn...

1.cnn卷积层

通过nn.conv2d可以设置卷积层,当然也有1d和3d。

卷积层设置完毕,将设置好的输入数据,传给layer(),即可完成一次前向运算。也可以传给layer.forward,但不推荐。

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

2. 池化层

池化层的核大小一般是2*2,有2种方式:

maxpooling:选择数据中最大值输出

avgpooling:计算数据的均值并输出

通过这一层可以实现降采样。

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

3.数据批量标准化

batch normalize,在计算过程中,通常输入的数据都是0-255的像素数据,不方便计算,因此可以通过nn.batchnorm1d方法进行标准化。

标准化后,可以通过running_mean, running_var获取全局的均值和方差。

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

4.nn.module类

①各类函数

linear, relu, sigmoid, conv2d, dropout等等

②容器功能

我们可以直接在定义自己的层的时候,把所有我们需要用到的层及相关函数放进去。使用的时候直接调用即可。

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

③参数管理

在这个类中可以直接生成我们需要的参数,并且自动带上梯度的需求。

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

④调用gpu

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

⑤存储和加载

训练过程中可以根据需求,比如训练到某一个点的时候达到了最优,可以将其存储。

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

⑥训练、测试状态切换

直接调用根节点的train, eval就可以切换。

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

⑦ 创建自己的层

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

还有其他功能,但现在还不理解,因此先不往上写了。

5.数据增强

数据增强主要用在我们数据不够用的时候,对原来的数据进行调整,从而生成新的数据。比如一张图片,我们可以对其进行翻转、旋转、大小调整、切割等操作 。导入数据的时候即可进行,具体实现方式如下。

人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析

以上就是人工智能学习pytorch实现cnn卷积层及nn.module类示例分析的详细内容,更多关于pytorch中cnn及nn.module的资料请关注其它相关文章!