Pytorch 构建CNN用于图片分类
Posted 深度学习与PyTorch
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Pytorch 构建CNN用于图片分类相关的知识,希望对你有一定的参考价值。
先看一个简单的例子:
(代码可以左右滑动)
1import torch.nn as nn
2import torch.nn.functional as F
3class CNN(nn.Module):
4 def __init__(self):
5 super(imsimpleCNN, self).__init__()
6 self.conv1 = nn.Conv2d(1, 20, 5)
7 self.conv2 = nn.Conv2d(20, 20, 5)
8 def forward(self, x):
9 x = self.conv1(x)
10 x = F.relu(x)
11 x = self.conv2(x)
12 x = F.relu(x)
13 return x
使用pytorch 构建神经网络模型比较简单,大体上需要定义两个函数,一个init,一个forward,分别用来声明一些模型用到的参数和模型的结构
该网络结构由两层构成,(1, 20, 5)分别代表的是:input_channel, output_channel, 和kernel_size, 后面还有其他的参数,比如:stride = 1, padding = 0, dilation = 1, groups = 1, bias=True
如果没有特别的设定,这些是默认的参数。
本文构建CNN模型用于图片分类
(代码可以左右滑动)
1class imCNN(nn.Module):
2 def __init__(self):
3 super(imCNN, self).__init__()
4 self.layer1 = nn.Sequential(
5 nn.Conv2d(
6 in_channels=1,
7 out_channels=16,
8 kernel_size=5,
9 padding=2),
10 nn.BatchNorm2d(16),
11 nn.ReLU(),
12 nn.MaxPool2d(2)
13 )
14 self.layer2 = nn.Sequential(
15 nn.Conv2d(16, 32, kernel_size=5, padding=2),
16 nn.BatchNorm2d(32),
17 nn.ReLU(),
18 nn.MaxPool2d(2)
19 )
20 self.fc = nn.Linear(7 * 7 * 32, 10)
21 def forward(self, x):
22 out = self.layer1(x)
23 out = self.layer2(out)
24 out = out.view(out.size(0), -1)
25 out = self.fc(out)
26 return out
输入的图片是28*28的mnist,网络有两层的结构构成,每一层的结构都基本的相似,组成的模块有nn.Conv2d(), nn.BatchNorm2d, nn.Relu(), nn.MaxPool2d(), 经过两次的pooling, 最终特征的大小变为了 [ 7, 7, 32, 10], 再经过一个全连接层,将最终的输出变为10,从而实现分类。
以上是关于Pytorch 构建CNN用于图片分类的主要内容,如果未能解决你的问题,请参考以下文章
AlexNet--CNN经典网络模型详解(pytorch实现)
基于pytorch使用实现CNN 如何使用pytorch构建CNN卷积神经网络
基于pytorch使用实现CNN 如何使用pytorch构建CNN卷积神经网络