目錄

一、數(shù)據(jù)準(zhǔn)備

二、創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型

三、可視化最大池化效果

一、數(shù)據(jù)準(zhǔn)備

首先，需要準(zhǔn)備一個數(shù)據(jù)集來演示最大池化層的應(yīng)用。在本例中，使用了CIFAR-10數(shù)據(jù)集，這是一個包含10個不同類別圖像的數(shù)據(jù)集，用于分類任務(wù)。我們使用PyTorch的torchvision庫來加載CIFAR-10數(shù)據(jù)集并進行必要的數(shù)據(jù)轉(zhuǎn)換。

import torch
import torchvision
from torch.utils.data import DataLoader

# 數(shù)據(jù)集準(zhǔn)備
dataset = torchvision.datasets.CIFAR10("D:\\Python_Project\\pytorch\\dataset2", train=False, transform=torchvision.transforms.ToTensor(), download=True)

# 使用DataLoader加載數(shù)據(jù)集，每批次包含64張圖像
dataLoader = DataLoader(dataset, batch_size=64)

二、創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型

接下來，創(chuàng)建一個簡單的神經(jīng)網(wǎng)絡(luò)模型，其中包含一個卷積層和一個最大池化層。這個模型將幫助演示最大池化層的效果。首先定義一個Tudui類，該類繼承了nn.Module，并在初始化方法中創(chuàng)建了一個卷積層和一個最大池化層。

import torch.nn as nn
from torch.nn import Conv2d
from torch.nn.functional import max_pool2d

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init()
        # 卷積層
        self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)
        # 最大池化層
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)

    def forward(self, x):
        x = self.conv1(x)
        x = self.pool(x)
        return x

tudui = Tudui()
print(tudui)

上述代碼中，定義了Tudui類，包括了一個卷積層和一個最大池化層。在forward方法中，數(shù)據(jù)首先經(jīng)過卷積層，然后通過最大池化層，以減小圖像的維度。

三、可視化最大池化效果

最大池化層有助于減小圖像的維度，提取圖像中的主要特征。接下來將使用TensorBoard來可視化最大池化的效果，以更好地理解它。首先，導(dǎo)入SummaryWriter類并創(chuàng)建一個SummaryWriter對象。

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")

然后，遍歷數(shù)據(jù)集，對每個批次的圖像應(yīng)用卷積和最大池化操作，并將卷積前后的圖像寫入TensorBoard。

step = 0
for data in dataLoader:
    imgs, targets = data
    
    # 卷積和最大池化操作
    output = tudui(imgs)
    
    # 將輸入圖像寫入TensorBoard
    writer.add_images("input", imgs, step)
    
    # 由于TensorBoard不能直接顯示多通道圖像，我們需要重定義輸出圖像的大小
    output = torch.reshape(output, (-1, 6, 15, 15))
    
    # 將卷積和最大池化后的圖像寫入TensorBoard
    writer.add_images("output", output, step)
    
    step += 1

writer.close()

在上述代碼中，使用writer.add_images將輸入和輸出的圖像寫入TensorBoard，并使用torch.reshape來重定義輸出圖像的大小，以適應(yīng)TensorBoard的顯示要求。

運行上述代碼后，將在TensorBoard中看到卷積和最大池化的效果。最大池化層有助于提取圖像中的關(guān)鍵信息，減小圖像維度，并提高模型的計算效率。

完整代碼如下：

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
#數(shù)據(jù)集準(zhǔn)備
dataset = torchvision.datasets.CIFAR10("D:\\Python_Project\\pytorch\\dataset2",train=False,transform=torchvision.transforms.ToTensor(),download=True)
#使用dataloader加載數(shù)據(jù)集，批次數(shù)為64
dataLoader = DataLoader(dataset,batch_size=64)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        # 該神經(jīng)網(wǎng)絡(luò)調(diào)用conv2d進行一層卷積，輸入通道為3層（彩色圖像為3通道），卷積核大小為3*3，輸出通道為6，設(shè)置步長為1，padding為0，不進行填充。
        self.conv1 = Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)

    def forward(self,x):
        x = self.conv1(x)
        return x

tudui = Tudui()
print(tudui)

# 生成日志
writer = SummaryWriter("logs")

step = 0
# 輸出卷積前的圖片大小和卷積后的圖片大小
for data in dataLoader:
    imgs,targets = data
    # 卷積操作
    output = tudui(imgs)
    print(imgs.shape)
    print(output.shape)
    writer.add_images("input",imgs,step)
    """
     注意：使用tensorboard輸出時需要重新定義圖片大小
     對于輸入的圖片集imgs來說，tensor.size([64,3,32,32])，即一批次為64張，一張圖片為三個通道，大小為32*32
     對于經(jīng)過卷積后輸出的圖片集output來說，tensor.size([64,6,30,30])，通道數(shù)變成了6，tensorboard不知道怎么顯示通道數(shù)為6的圖片，所以如果直接輸出會報錯
     解決方案：
     使用reshape方法對outputs進行重定義，把通道數(shù)改成3，如果不知道批次數(shù)大小，可以使用-1代替，程序會自動匹配批次大小。
    """
    #重定義輸出圖片的大小
    output = torch.reshape(output,(-1,3,30,30))
    # 顯示輸出的圖片
    writer.add_images("output",output,step)
    step = step + 1
writer.close()

參考資料：

視頻教程：PyTorch深度學(xué)習(xí)快速入門教程（絕對通俗易懂?。拘⊥炼选?span toymoban-style="hidden">文章來源地址http://www.zghlxwxcb.cn/news/detail-732861.html

到了這里，關(guān)于PyTorch入門學(xué)習(xí)（九）：神經(jīng)網(wǎng)絡(luò)-最大池化使用的文章就介紹完了。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)！