1.CNN卷積層

通過(guò)nn.Conv2d可以設(shè)置卷積層，當(dāng)然也有1d和3d。

卷積層設(shè)置完畢，將設(shè)置好的輸入數(shù)據(jù)，傳給layer()，即可完成一次前向運(yùn)算。也可以傳給layer.forward，但不推薦。

2. 池化層

池化層的核大小一般是2*2，有2種方式：

maxpooling：選擇數(shù)據(jù)中最大值輸出

avgpooling：計(jì)算數(shù)據(jù)的均值并輸出

通過(guò)這一層可以實(shí)現(xiàn)降采樣。

3.數(shù)據(jù)批量標(biāo)準(zhǔn)化

Batch Normalize，在計(jì)算過(guò)程中，通常輸入的數(shù)據(jù)都是0-255的像素?cái)?shù)據(jù)，不方便計(jì)算，因此可以通過(guò)nn.BatchNorm1d方法進(jìn)行標(biāo)準(zhǔn)化。

標(biāo)準(zhǔn)化后，可以通過(guò)running_mean, running_var獲取全局的均值和方差。

4.nn.Module類

①各類函數(shù)

Linear, ReLU, Sigmoid, Conv2d, Dropout等等

②容器功能

我們可以直接在定義自己的層的時(shí)候，把所有我們需要用到的層及相關(guān)函數(shù)放進(jìn)去。使用的時(shí)候直接調(diào)用即可。

③參數(shù)管理

在這個(gè)類中可以直接生成我們需要的參數(shù)，并且自動(dòng)帶上梯度的需求。

④調(diào)用GPU

⑤存儲(chǔ)和加載

訓(xùn)練過(guò)程中可以根據(jù)需求，比如訓(xùn)練到某一個(gè)點(diǎn)的時(shí)候達(dá)到了最優(yōu)，可以將其存儲(chǔ)。

⑥訓(xùn)練、測(cè)試狀態(tài)切換

直接調(diào)用根節(jié)點(diǎn)的train, eval就可以切換。

⑦ 創(chuàng)建自己的層

還有其他功能，但現(xiàn)在還不理解，因此先不往上寫(xiě)了。

5.數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)主要用在我們數(shù)據(jù)不夠用的時(shí)候，對(duì)原來(lái)的數(shù)據(jù)進(jìn)行調(diào)整，從而生成新的數(shù)據(jù)。比如一張圖片，我們可以對(duì)其進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、大小調(diào)整、切割等操作 。導(dǎo)入數(shù)據(jù)的時(shí)候即可進(jìn)行，具體實(shí)現(xiàn)方式如下。

以上就是人工智能學(xué)習(xí)PyTorch實(shí)現(xiàn)CNN卷積層及nn.Module類示例分析的詳細(xì)內(nèi)容，更多關(guān)于PyTorch中CNN及nn.Module的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論