PyTorch 卷积神经网络-北京尧图网络

卷积神经网络卷积神经网络, 也就是CNN, 是深度学习模型的一种, 这类模型专门处理具有网格状拓扑结构的数据, 像图像就是这样的数据。计算机视觉任务, 像图像分类、目标检测以及分割, 其核心技术是CNN。就下面的这张图而言呢, 它去显现了一个典型的卷积神经网络, 也就是 CNN 的结构, 以及其工作流程, 此二者是用于图像识别任务的。当处于图里时, CNN的输出层面给予出了概率, 这概率是关于三个类别的, 其中一个类别概率为0.2, 另一个类别是Goofy概率为0.1, 余下一个类别概率为0.7, 而这情况表明网络思索着输入图像的可能性最大状态是。以下是各个部分的简要说明卷积神经网络的基本结构1、输入层Input Layer接收到原始的图像数据, 图像一般是以一个三维数组来进行表示的, 其中存在两个维度, 这两个维度分别是用以表示图像的宽度以及像的高度, 而第三个维度是用来代表颜色通道的, 比如RGB图像所具有的颜色通道数量是三个。2、卷积层 Layer用卷积核提取局部特征如边缘、纹理等。公式将一组能够进行学习的滤波器, 也就是卷积核, 运用在输入的图像上, 开展卷积操作, 以此来提取局部方面的特征。滤波器于输入图像之上滑动, 进而生成了一个可以表示滤波器于不同位置激活情况的特征图Map。这是一个卷积层这个卷积层能有好多滤波器, 这些滤波器中的任意一个, 都能生成一个特征图, 而产生的所有特征图, 会共同组成一个特征图集合。3、激活函数在卷积层之后, 一般会应用非线性激活函数, 像是 ReLU Unit, 以便引入非线性特性, 进而让网络能够学习更为复杂的模式。ReLU函数的定义是这样的, 具体说来, 它是f(x)max(0,x), 也就是说, 一旦输入小于0, 那么输出的便会是0, 不然呢, 不然输出的就是输入值了。4、池化层 Layer5、归一化层 Layer可选6、全连接层Fully Layer7、输出层 Layer根据任务的不同输出层可以有不同的形式。通常在分类任务当中, 会运用函数把输出转化成概率分布, 以此来呈现输入归属于各个类别的概率。8、损失函数Loss 用于衡量模型预测与真实标签之间的差异。有种常见的损失函数, 其中交叉熵损失也就是Cross⁃ Loss, 它被用于多分类任务中来使用, 还有均方误差也就是Mean Error且简称为MSE的这种情况, 它是被用在回归任务之中的。9、优化器更新网络权重, 是依据损失函数的梯度来进行的。常见的优化器含随机梯度下降, 也就是SGD、Adam等。10、正则化可选包括、L1/L2 正则化等技术用于防止模型过拟合。这些层可以堆叠形成更深的网络结构以提高模型的学习能力。CNN 的深度和复杂性可以根据任务的需求进行调整。实现一个 CNN 实例以下示例呈现, 怎样运用, 去搭建, 一个简易的, CNN 模型, 以供对 MNIST 数据集, 进行数字分类, 所使用, 的方式。主要步骤1、导入必要库import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim2、数据加载使用提供的 MNIST 数据集加载和预处理数据。实例 .(.(), # 转为张量.((0.5,), (0.5,)) # 归一化到-1, 1# 加载 MNIST 数据集你提供的内容似乎不太完整且存在格式问题, 不太能明确其确切意思并准确改写。请你检查或补充完整准确的内容以便我能更好地为你改写。这句代码似乎不太完整且格式有误, 不太能按照需求准确改写。请提供完整正确的代码句子以便重新进行改写。你提供的内容不太完整且难以理解其确切含义, 不太便于进行准确改写。请补充完整清晰的内容以便我更好完成任务。这段内容似乎不太清晰且包含错误表述, 不太能准确理解其确切含义并进行有效改写。请你检查或补充完整准确的内容。3、定义 CNN 模型使用 nn. 构建一个 CNN。实例class (nn.):def (self):super(, self).()# 定义卷积层输入1通道输出32通道卷积核大小3x3# 定义卷积层输入32通道输出6N通道self.conv2等于nn, 其中参数为32, 64, 卷积核大小为3, 步长为1, 填充为1。# 定义全连接层设置 self.fc1 为 nn., 其参数为(64 乘以 7 乘以 7, 128) , 这里输入大小等于特征图大小乘以通道数。self.fc2等于nn, nn是(128, 10), 这里的10代表着10个类别。def (self, x):将x赋值为, 对x进行第一层卷积操作后, 再应用 F.relu函数的结果 , 这是第一层卷积加上 ReLU操作。x F.(x, 2) # 最大池化x等于, F的relu函数作用于, self的conv2函数作用于x的结果, 这是第二层卷积与ReLU的操作。x F.(x, 2) # 最大池化进行展平操作, x等于x.view, 其参数为负一, 以及64乘以7乘以7。x等于, F的relu函数作用于, 将x输入到, self的fc1函数后得到的结果, 这里是全连接层加上ReLU。先是有这么个变量“x”, 接下来, 它等于“self.fc2”作用于“x”时所产生的结果, 而这一结果, 是全连接层的输出。x# 创建模型实例model ()4、定义损失函数与优化器使用交叉熵损失和随机梯度下降优化器。criterion nn.CrossEntropyLoss() # 多分类交叉熵损失 optimizer optim.SGD(model.parameters(), lr0.01, momentum0.9) # 学习率和动量5、训练模型将模型进行训练, 历经5个 epoch, 在每一个 epoch完成之后, 把训练当中产生的损失给输出出来。实例 5model.train() # 设为训练模式for epoch in range(): 0for , in :# 前向传播 model()loss (, )# 反向传播.()loss.().step() loss.item()print(fEpoch{epoch1}/{}, Loss: { / len():.4f})6、测试模型在测试集上评估模型的准确率。实例model.eval() # 设置为评估模式 0total 0with torch.(): # 评估时不需要计算梯度for , in : model()_, torch.max(, 1) # 预测类别total .size(0) ( ).sum().item() 100 * / totalprint(fTest : {:.2f}%)7、完整代码完整代码如下实例torchtorch.nn as nntorch.nn. as Ftorch.optim as optimfrom ,# 1. 数据加载与预处理 .(.(), # 转为张量.((0.5,), (0.5,)) # 归一化到-1, 1# 加载 MNIST 数据集 .MNIST(root./data, trainTrue, , True) .MNIST(root./data, trainFalse, , True) torch.utils.data.(, 64, True) torch.utils.data.(, 64, False)# 2. 定义 CNN 模型class (nn.):def (self):super(, self).()# 定义卷积层自卷积2等于神经网络模块, 其参数为32, 64, 卷积核大小为3, 步长为11, 填充为11, 输入通道数为32, 输出通道数为6N通道。# 定义全连接层elf.fc1被设定为nn., 其参数为(64 * 7 * 7, 128) , 用于展平后输入到全连接层。self.fc2 nn.(128, 10) # 10 个类别def (self, x):x F.relu(self.conv1(x)) # 第一层卷积 ReLUx F.(x, 2) # 最大池化x F.relu(self.conv2(x)) # 第二层卷积 ReLUx F.(x, 2) # 最大池化x F.relu(self.fc1(x)) # 全连接层 ReLUx 等于, 取自自身的 fc2 作用于 x 的值, 此为最后一层输出。x# 创建模型实例model ()# 3. 定义损失函数与优化器 nn.() # 多分类交叉熵损失# 4. 模型训练 5model.train() # 设置模型为训练模式for epoch in range(): 0for , in : model() # 前向传播loss (, ) # 计算损失.() # 清空梯度loss.() # 反向传播.step() # 更新参数 loss.item()print(fEpoch{epoch1}/{}, Loss: { / len():.4f})# 5. 模型测试model.eval() # 设置模型为评估模式 0total 0with torch.(): # 关闭梯度计算for , in : model()_, torch.max(, 1)total .size(0) ( ).sum().item() 100 * / totalprint(fTest : {:.2f}%)运行结果说明1. 输出的训练损失代码中每个 epoch 会输出一次平均损失例如Epoch [1/5], Loss: 0.2325 Epoch [2/5], Loss: 0.0526 Epoch [3/5], Loss: 0.0366 Epoch [4/5], Loss: 0.0273 Epoch [5/5], Loss: 0.0221解释损失逐渐下降表明模型在逐步收敛。2. 测试集的准确率代码在测试集上输出最终的分类准确率例如Test Accuracy: 98.96%先说, 模型针对MNIST测试集的分类准确率有着98.96%, 再说, 这对于简单的CNN模型来讲算是一个不错的结果。7、可视化结果我们可以在测试数据中可视化一些样本及其预测结果。实例torchtorch.nn as nntorch.nn. as Ftorch.optim as optimfrom ,. as plt# 1. 数据加载与预处理 .(.(), # 转为张量.((0.5,), (0.5,)) # 归一化到-1, 1# 加载 MNIST 数据集 .MNIST(root./data, trainTrue, , True) .MNIST(root./data, trainFalse, , True) torch.utils.data.(, 64, True) torch.utils.data.(, 64, False)# 2. 定义 CNN 模型class (nn.):def (self):super(, self).()# 定义卷积层self.conv1 nn.(1, 32, 3, 1, 1) # 输入1通道输出32通道self.conv2 nn.(32, 64, 3, 1, 1) # 输入32通道输出6N通道# 定义全连接层self.fc1 nn.(64 * 7 * 7, 128) # 展平后输入到全连接层self.fc2 nn.(128, 10) # 10 个类别def (self, x):x F.relu(self.conv1(x)) # 第一层卷积 ReLUx F.(x, 2) # 最大池化x F.relu(self.conv2(x)) # 第二层卷积 ReLUx F.(x, 2) # 最大池化x x.view(-1, 64 * 7 * 7) # 展平x F.relu(self.fc1(x)) # 全连接层 ReLUx self.fc2(x) # 最后一层输出x# 创建模型实例model ()# 3. 定义损失函数与优化器 nn.() # 多分类交叉熵损失 optim.SGD(model.(), lr0.01, 0.9)# 4. 模型训练 5model.train() # 设置模型为训练模式for epoch in range(): 0for , in : model() # 前向传播loss (, ) # 计算损失.() # 清空梯度loss.() # 反向传播.step() # 更新参数 loss.item()print(fEpoch{epoch1}/{}, Loss: { / len():.4f})# 5. 模型测试model.eval() # 设置模型为评估模式 0total 0with torch.(): # 关闭梯度计算for , in : model()_, torch.max(, 1)total .size(0) ( ).sum().item() 100 * / totalprint(fTest : {:.2f}%)# 6. 可视化测试结果 iter(), next() model()_, torch.max(, 1)for i in range(6):axes.(, cmapgray)axes.(fLabel: {}\nPred: {})axes.axis(off)plt.show()可视化结果展示了 6 个测试样本的实际标签与预测值例如注意几种错误在下载MNIST数据集这个行为发生之时, 因SSL证书验证是失败的这种状况, 致使没办法去下载数据。Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz Failed to download (trying next): ...解决办法打开终端运行以下命令来安装/更新 SSL 证书/Applications/Python\ 3.x/Install\ Certificates.command其中 3.x 替换为你实际安装的版本。运行这个命令之后, 再次运行你的、代码, 此代码应能够成功地、下载MNIST数据集。

PyTorch 卷积神经网络

相关推荐

SEIR模型数值预测实战：从微分方程到流行病传播推演

Python执行流程和入口

DeepSeek代码Agent实战：从API接入到批量任务全攻略

更多资讯

安监局电工证考试流程全流程办理指南多久拿证

办理办电工证需多少钱需要什么材料

安监局电工证考试流程在哪考外省证书能否转过来

诸暨考电工证上哪通过率揭秘：转岗电工怎么高效取证

广西电工证理论考什么内部消息来了！找工作必须知道的细节

电工作业危险有害因素怎么避坑？全国通用证书这样考

今日更新

高压电工证哪里可以挂多久拿证全攻略：实操考试心里没底怕挂科别慌

电工证的理论题目在哪考，外省证怎么转过来

工地太忙根本没时间复习考试，职业学校的电工证值不值得考？

本周精选

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？