搭建CNN卷积神经网络（用pytorch搭建）

手撕卷积神经网络—CNN
卷积：提取特征

池化：压缩特征

heigh X weigh X depth

长度宽度。深度（也就是特征图个数）

例如输入32x32x3 hxwxc

卷积就是取某个小区域进行特征计算用此处的特征值x权重特征进而得到最终数据输出

filter相当于助手可以有一个但是也可以有多个可以定义f1 f2 f3…当然得到特征图越丰富越是我们想要的结果但是多个卷积核的容积必须是相同否则则无法相加。

移动步长可以大一点也可以小一点用1就可以

卷积核尺寸可以大一点也可以小一点大的话就比较粗糙小的话提取特征就相对比较精细。3x3最好

边界尺寸就是可以命名为0

计算方法

池化（也是特征压缩）

也可以称为下采样就是选取特征最大的部分就是最大池化Maxpooling和卷积一样就是筛选而已没有矩阵的计算。

基本正常的卷积神经网络都是两次卷积一次池化进而进行压缩和筛选

全连接层

其实在最后还需要有一个拉长的过程将立体的图形拉长为特征向量。

只有带计算的才可以称为层如图就是七层的卷积神经网络。

经典卷积神经网络

1.Alexnet

2.VGG

3.resnet

resnet核心思想就是加一个同等映射如果学习无法使loss下降那么我们有一个保底的卷积就直接把上面的拿过来。那么也就称为其为残差网络。

无论将来做什么做残差网络是一个首选项

因为resnet以出色的表现完全可以证明深度学习卷积的层数是完全可以继续往下堆叠的尽管他的提升比较少。

resnet不属于分类属于一个特征提取的问题。属于一个万能网络

实例

import torch
import torch.nn as nn
from torchvision import datasets
from torchvision import transforms#定义超参数
inputsize = 228
num_classes = 2
num_epoche = 3
batch_size = 64
#构建训练数据
train_dateset = datasets.MNIST(root='./data',train=True,transform=transforms.ToTensor(),download=True)
#构建测试数据
test_dateset = datasets.MNIST(root='./data',train=False,transform=transforms.ToTensor(),)
#构建batch数据
train_loader = torch.utils.data.DataLoader(dataset=train_dateset,batch_size = batch_size,shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dateset,batch_size = batch_size,shuffle=True)
#定义CNN 卷积神经网络组合一般组合为 卷积+激活函数（relu）+池化 大概什么网络都是这样的顺序
#我们可以设计一次卷积+relu 就直接maxpooling 或者两次三次都可以
class CNN(nn.Module):def __init__(self):super(CNN,self).__init__() #意思是初始化继承CNN的类#第一层卷积的构建nn下面的Sequential函数一个有序的容器，神经网络模块将按照在传入构造器的顺序依次被添加到计算图中执行，同时以神经网络模块为元素的有序字典也可以作为传入参数。#第一个卷积模块self.conv1= nn.Sequential(nn.Conv2d(in_channels=1, #输入的特征图像 传入为灰度图out_channels=16, #输出 要得到多少个特征图kernel_size=5,  #卷积核的大小stride=1,  #步长padding=2, #边缘填充1就是加一圈0 2就是加两圈0  #如何希望卷积后大小和原来一样，需设置 TODO padding=(kernel_size-1)/2 如果步长为1的情况下),nn.ReLU(), #relu层 激活函数nn.MaxPool2d(kernel_size=2), #进行池化操作（2x2区域），输出结果为：（16，14，14）)#定义第二个卷积核 下面的Sequential函数定义重新一个容器self.conv2 = nn.Sequential( #下一个输出（16，14，14）#要前后对应 前面输入特征为1 输出为16 那这边就要继承前面的16 变成输入层 所以就是16个特征值喽 那么后面就是输出nn.Conv2d(16,32,5,1,2), #输出 （32，14，14）nn.ReLU(),  #relu层 激活函数nn.MaxPool2d(2), #输出（32，7，7）)#最终得到一个32x7x7一个立体的转为一个大矩阵所以转换成全连接层self.out=nn.Linear(32*7*7,10) #全连接层得到的结果
##@总结----------------------------------------------------
##输入图像    28x28x1===> 长度-卷积核+2*边缘/步长 +1= 28-5+2x2/1+1=28
## 第一层conv1 ====>28x28x16经过pooling层====>14x14x16
## 第二层conv2 ====> 14-5+2x2/1+1=14 ====> 14x14x32经过pooling层=====>7x7x32
##@----------------------------------------------------#前向传播def forward(self,x):x= self.conv1(x)x= self.conv2(x)x= x.view(x.size(0),-1) #flatten操作 结果为(batch_size,32*7*7)output = self.out(x)#转成向量的格式return output#准确率作为评估标准
def accuracy(predictions,labels):pred = torch.max(predictions.data,1)[1]rights=pred.eq(labels.data.view_as(pred)).sum()return rights,len(labels)
#实例化
net=CNN()
#损失函数
critertion=nn.CrossEntropyLoss()
#优化器
optimizer =torch.optim.Adam(net.parameters(),lr=0.001) #定义优化器，普通的随机梯度下降算法
#开始循环训练
for epoch in range(num_epoche):#保存当前epoch结果train_rights=[]for batch_idx,(data,target) in enumerate(train_loader):#针对容器中的每一个批进行循环net.train() #更新权重参数output=net(data)loss=critertion(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)#准确率计算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('当前epoch：{}[{}/{}({:.0f}%)]\t损失:{:.6f}\t训练集准确率：{:.2f}\t测试集正确率：{:.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]))

训练结果：

结果相对来说还可以

搭建CNN卷积神经网络（用pytorch搭建）相关推荐

【记录】本科毕设：基于树莓派的智能小车设计（使用Tensorflow + Keras 搭建CNN卷积神经网络使用端到端的学习方法训练CNN）
0 申明这是本人2020年的本科毕业设计,内容多为毕设论文和答辩内容中挑选.最初的灵感来自于早前看过的一些项目(抱歉时间久远,只记录了这一个,见下),才让我萌生了做个机电(小车动力与驱动)和控制(树 ...
CNN卷积神经网络简单示例(PyTorch)
CNN卷积神经网络示例PyTorch 导入Python库和相关模块转换为图像格式将数据格式numpy转换为tensor,并打包成batch 构建CNN网络定义损失函数训练网络显示学习曲线进 ...
CNN卷积神经网络：花卉分类
文章目录简介一.CNN卷积神经网络基础知识二.数据集介绍三.代码实现读取数据数据处理搭建网络训练网络测试网络保存网络结果展示总结简介本篇文章利用pytorch搭建CNN卷积 ...
深度学习--TensorFlow（项目）识别自己的手写数字（基于CNN卷积神经网络）
目录基础理论一.训练CNN卷积神经网络 1.载入数据 2.改变数据维度 3.归一化 4.独热编码 5.搭建CNN卷积神经网络 5-1.第一层:第一个卷积层 5-2.第二层:第二个卷积层 5-3.扁 ...
用Keras搭建神经网络简单模版（三）—— CNN 卷积神经网络（手写数字图片识别）...
# -*- coding: utf-8 -*- import numpy as np np.random.seed(1337) #for reproducibility再现性 from keras.d ...
CNN卷积神经网络实例(基于pytorch)
CNN卷积神经网络 1.关于卷积神经网络 2.卷积神经网络实例(手写字母识别) 2.1 代码示例 2.2 运行过程及结果 2.3 测试结果 3.参考与致谢 1.关于卷积神经网络卷积神经网络(Conv ...
“花朵分类“ 手把手搭建【卷积神经网络】
前言本文介绍卷积神经网络的入门案例,通过搭建和训练一个模型,来对几种常见的花朵进行识别分类: 使用到TF的花朵数据集,它包含5类,即:"雏菊","蒲公英",& ...
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卷积神经网络所用工具文件结构: 数据: 代码: 结果: 改进思路拓展本文是一个基于pytorch使用CNN在生物信息学上进行位 ...
plt保存图片_人工智能Keras CNN卷积神经网络的图片识别模型训练
CNN卷积神经网络是人工智能的开端,CNN卷积神经网络让计算机能够认识图片,文字,甚至音频与视频.CNN卷积神经网络的基础知识,可以参考:CNN卷积神经网络 LetNet体系结构是卷积神经网络的&qu ...

搭建CNN卷积神经网络（用pytorch搭建）

搭建CNN卷积神经网络（用pytorch搭建）相关推荐

最新文章

热门文章