Pytorch CNN的各种参数

Posted cunyusup

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 CNN的各种参数相关的知识,希望对你有一定的参考价值。

class Model(torch.nn.Module):

    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = torch.nn.Sequential(torch.nn.Conv2d(1, 4, kernel_size=5, stride=1,padding=0),
                                         torch.nn.MaxPool2d(stride=4, kernel_size=4))

        self.dense = torch.nn.Sequential(torch.nn.Linear(6 * 6 * 4, 33),
                                         torch.nn.ReLU(),
                                         torch.nn.Linear(33, 10))

    def forward(self, x):
        x = self.conv1(x)
        x = x.view(-1, 6 * 6 * 4)  #把卷积池化得到的向量平铺开
        x = self.dense(x)
        return x

conv :卷积层(2d就是二维平面的)

  kernel_size 卷积核大小

  stride 每次移动的步长

  padding 四周填充的大小,注意是四周所以在算下一层的向量维度时要将padding 乘以 2

  maxpool2d 二维平面的池化层

dense:全链接层

  Linear 一层神经元 输入维数 输出维数

  激活函数

  输出层,10分类

 

forward 函数里的view(-1,n)就是把卷积池化得到的2维向量展开成1维的,便于传入全连接层

  

以上是关于Pytorch CNN的各种参数的主要内容,如果未能解决你的问题,请参考以下文章

AI常用框架和工具丨13. PyTorch实现基于CNN的手写数字识别

AI常用框架和工具丨13. PyTorch实现基于CNN的手写数字识别

基于PyTorch实现MNIST手写字识别

ResNet——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