構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)

• 卷積網(wǎng)絡(luò)中的輸入和層與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有些區(qū)別，需重新設(shè)計，訓(xùn)練模塊基本一致

全連接層：batch784，各個像素點之間都是沒有聯(lián)系的。
卷積層：batch12828，各個像素點之間是有聯(lián)系的。

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from torchvision import datasets,transforms 
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline

首先讀取數(shù)據(jù)

• 分別構(gòu)建訓(xùn)練集和測試集（驗證集）
• DataLoader來迭代取數(shù)據(jù)

# 定義超參數(shù) 
input_size = 28  #圖像的總尺寸28*28
num_classes = 10  #標(biāo)簽的種類數(shù)
num_epochs = 3  #訓(xùn)練的總循環(huán)周期
batch_size = 64  #一個撮（批次）的大小，64張圖片

# 訓(xùn)練集
train_dataset = datasets.MNIST(root='./data',  
                            train=True,   
                            transform=transforms.ToTensor(),  
                            download=True) 

# 測試集
test_dataset = datasets.MNIST(root='./data', 
                           train=False, 
                           transform=transforms.ToTensor())

# 構(gòu)建batch數(shù)據(jù)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, 
                                           batch_size=batch_size, 
                                           shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, 
                                           batch_size=batch_size, 
                                           shuffle=True)

卷積網(wǎng)絡(luò)模塊構(gòu)建

• 一般卷積層，relu層，池化層可以寫成一個套餐
• 注意卷積最后結(jié)果還是一個特征圖，需要把圖轉(zhuǎn)換成向量才能做分類或者回歸任務(wù)

圖像是二維卷積 conv2
視頻是三維卷積 conv3
單向量是一維卷積 conv1
官網(wǎng)有關(guān)conv2d的輸出寬度和長度的計算公式

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(         # 輸入大小 (1, 28, 28)
            nn.Conv2d(
                in_channels=1,              # 1：灰度圖；3：RGB
                out_channels=16,            # 要得到幾多少個特征圖,即是卷積核的個數(shù) 
                kernel_size=5,              # 卷積核大小
                stride=1,                   # 步長
                padding=2,                  # 如果希望卷積后大小跟原來一樣，需要設(shè)置padding=(kernel_size-1)/2 if stride=1
            ),                              # 輸出的特征圖為 (16, 28, 28)
            nn.ReLU(),                      # relu層
            nn.MaxPool2d(kernel_size=2),    # 進行池化操作（2x2 區(qū)域）, 輸出結(jié)果為： (16, 14, 14)
        )
        self.conv2 = nn.Sequential(         # 下一個套餐的輸入 (16, 14, 14)
            nn.Conv2d(16, 32, 5, 1, 2),     # 輸出 (32, 14, 14)
            nn.ReLU(),                      # relu層
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.ReLU(),
            nn.MaxPool2d(2),                # 輸出 (32, 7, 7)
        )
        
        self.conv3 = nn.Sequential(         # 下一個套餐的輸入 (32, 7, 7)
            nn.Conv2d(32, 64, 5, 1, 2),     # 輸出 (64, 7, 7)
            nn.ReLU(),             # 輸出 (64, 7, 7)
        )
        
        self.out = nn.Linear(64 * 7 * 7, 10)   # 全連接層得到的結(jié)果

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = self.conv3(x)
        x = x.view(x.size(0), -1)           # flatten操作，結(jié)果為：(batch_size, 64 * 7 * 7)
        output = self.out(x)
        return output

準(zhǔn)確率作為評估標(biāo)準(zhǔn)

def accuracy(predictions, labels):
    pred = torch.max(predictions.data, 1)[1] 
    rights = pred.eq(labels.data.view_as(pred)).sum() 
    return rights, len(labels) 

訓(xùn)練網(wǎng)絡(luò)模型

# 實例化
net = CNN() 
#損失函數(shù)
criterion = nn.CrossEntropyLoss() 
#優(yōu)化器
optimizer = optim.Adam(net.parameters(), lr=0.001) #定義優(yōu)化器，普通的隨機梯度下降算法

#開始訓(xùn)練循環(huán)
for epoch in range(num_epochs):
    #當(dāng)前epoch的結(jié)果保存下來
    train_rights = [] 
    
    for batch_idx, (data, target) in enumerate(train_loader):  #針對容器中的每一個批進行循環(huán)
        net.train()                             
        output = net(data) 
        loss = criterion(output, target) 
        optimizer.zero_grad() 
        loss.backward() 
        optimizer.step() 
        right = accuracy(output, target) 
        train_rights.append(right) 

    
        if batch_idx % 100 == 0: 
            
            net.eval() 
            val_rights = [] 
            
            for (data, target) in test_loader:
                output = net(data) 
                right = accuracy(output, target) 
                val_rights.append(right)
                
            #準(zhǔn)確率計算
            train_r = (sum([tup[0] for tup in train_rights]), sum([tup[1] for tup in train_rights]))
            val_r = (sum([tup[0] for tup in val_rights]), sum([tup[1] for tup in val_rights]))

            print('當(dāng)前epoch: {} [{}/{} ({:.0f}%)]\t損失: {:.6f}\t訓(xùn)練集準(zhǔn)確率: {:.2f}%\t測試集正確率: {:.2f}%'.format(
                epoch, batch_idx * batch_size, len(train_loader.dataset),
                100. * batch_idx / len(train_loader), 
                loss.data, 
                100. * train_r[0].numpy() / train_r[1], 
                100. * val_r[0].numpy() / val_r[1]))

文章來源地址http://www.zghlxwxcb.cn/news/detail-635428.html

練習(xí)

• 再加入一層卷積，效果怎么樣？
• 當(dāng)前任務(wù)中為什么全連接層是3277 其中每一個數(shù)字代表什么含義

到了這里，關(guān)于【構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)】的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！