b站小土堆pytorch学习记录—— P18-P22 神经网络+小实战

2024-03-06 22:12
文章标签 实战 学习 记录 神经网络 pytorch p22 p18 土堆

本文主要是介绍b站小土堆pytorch学习记录—— P18-P22 神经网络+小实战，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

  • 一、卷积层 P18
    • 1.卷积操作
    • 2.代码
  • 二、池化层 P19
    • 1.池化层简单介绍
    • 2.代码
      • （1）池化操作中数字的变化
      • （2）池化操作对图片的影响
  • 三、非线性激活 P20
    • 1.简要介绍
    • 2.代码
  • 四、线性层及其他层介绍 P21
    • 1.线性层
    • 2.代码
  • 五、搭建小实战和Sequential的使用 P22
    • 1.要实现的模型
    • 2.代码

理解神经网络：

卷积神经网络（CNN）详细介绍及其原理详解

CNN笔记：通俗理解卷积神经网络

一文让你彻底了解卷积神经网络

一、卷积层 P18

1.卷积操作

推荐几个高赞博客：

卷积最容易理解的解释
卷积神经网络（CNN）详细介绍及其原理详解
还有pytorch官网的动态图：
pytorch卷积

具体而言，假设有一个3X3的灰度图像矩阵：

[1, 1, 1]
[0, 0, 0]
[1, 1, 1]

我们使用一个称为边缘检测的卷积核（滤波器）：

[-1, -1, -1]
[-1,  8, -1]
[-1, -1, -1]

接下来，我们将对这个3x3图像矩阵应用卷积操作。

步骤如下：

（1）将3x3的卷积核与图像的左上角3x3区域进行逐元素相乘，并将结果相加，得到新的像素值。
（2）滑动卷积核到下一个位置，再次进行相乘相加操作，得到另一个像素值。
（3）重复此过程直到覆盖整个图像。
应用以上步骤后，我们可以得到一个新的图像矩阵，其中包含了经过边缘检测卷积核处理后的结果。这种操作有助于检测图像中的边缘和轮廓。

具体计算如下：

第一步，将卷积核与图像的左上角3x3区域进行逐元素相乘，并将结果相加，得到新的像素值：

1*(-1) + 1*(-1) + 1*(-1) +
0*(-1) + 0*8 + 0*(-1) +
1*(-1) + 1*(-1) + 1*(-1) = -3

第二步，滑动卷积核到下一个位置，再次进行相乘相加操作，得到另一个像素值：

1*(-1) + 1*(-1) + 0*(-1) +
0*(-1) + 0*8 + 1*(-1) +
1*(-1) + 1*(-1) + 0*(-1) = -5

以此类推，重复步骤直到覆盖整个图像。在这个例子中，我们得到了一个2x2的新图像矩阵，其像素值为-3和-5。

所以，经过边缘检测卷积核处理后的结果是：

[-3, -5]
[ 0,  0]

2.代码

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# 下载CIFAR10数据集并准备数据加载器
dataset = torchvision.datasets.CIFAR10("./dataset2", train=False, transform=torchvision.transforms.ToTensor(), download=True)
dataloader = DataLoader(dataset, batch_size=64)# 定义一个简单的神经网络模型
class Guodong(nn.Module):def __init__(self):super(Guodong, self).__init__()# 定义一个卷积层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 xguodong = Guodong()
print(guodong)# 初始化TensorBoard的SummaryWriter
writer = SummaryWriter("logs")
step = 0# 遍历数据加载器，处理数据并将结果写入TensorBoard
for data in dataloader:imgs, target = dataprint(imgs.shape)  # 打印输入图片的形状output = guodong(imgs)  # 将输入图片传入神经网络模型得到输出print(output.shape)  # 打印输出的形状writer.add_images("input", imgs, step)  # 将输入图片写入TensorBoardoutput = torch.reshape(output, (-1, 3, 30, 30))  # 调整输出的形状以便写入TensorBoardwriter.add_images("output", output, step)  # 将输出图片写入TensorBoardstep = step + 1  # 更新步数

程序运行结果：

在这里插入图片描述

打开tensorboard后，结果如下：

在这里插入图片描述

二、池化层 P19

1.池化层简单介绍

池化层详细介绍

池化层（Pooling Layer）是深度学习中常用的一种层，通常用于减少特征图的空间尺寸，降低计算复杂度，并且有助于防止过拟合。池化层在卷积神经网络（CNN）中被广泛应用。

池化层的作用是通过对输入数据进行池化操作来减少特征图的尺寸，从而减少网络参数和计算量。池化操作通常在每个独立的特征图上进行，它使用一个固定大小的窗口在特征图上滑动，并在窗口内部执行一个汇聚运算（如最大池化、平均池化等）来得到一个汇聚后的值作为输出。

常见的池化操作：

最大池化（Max Pooling）：在池化窗口内取最大值作为汇聚后的值。
平均池化（Average Pooling）：在池化窗口内取平均值作为汇聚后的值。
全局平均池化（Global Average Pooling）：对整个特征图进行平均池化，将每个通道的特征图转换为一个标量值。

池化层的主要优点：

减少特征图的维度，降低计算复杂度。
增加平移不变性，提高模型的鲁棒性。
减少过拟合，通过减少特征图维度，可以减少模型参数的数量。

2.代码

（1）池化操作中数字的变化

import torch
from torch import nn
from torch.nn import MaxPool2d# 创建输入张量
input = torch.tensor([[1, 2, 0, 3, 1],[0, 1, 2, 3, 1],[1, 2, 1, 0, 0],[5, 2, 3, 1, 1],[2, 1, 0, 1, 1]], dtype=torch.float32)# 将输入张量reshape为(batch_size, channels, height, width)
input = torch.reshape(input, (-1, 1, 5, 5))# 定义第一个神经网络模型Guodong1，使用MaxPool2d进行最大池化操作，ceil_mode=True
class Guodong1(nn.Module):def __init__(self):super(Guodong1, self).__init__()self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=True)  # 定义最大池化层，kernel_size为3，启用ceil_modedef forward(self, input):output = self.maxpool1(input)return output# 创建Guodong1模型实例并进行前向传播
guodong1 = Guodong1()
output1 = guodong1(input)
print("Output of Guodong1 with ceil_mode=True:")
print(output1)# 定义第二个神经网络模型Guodong2，使用MaxPool2d进行最大池化操作，ceil_mode=False
class Guodong2(nn.Module):def __init__(self):super(Guodong2, self).__init__()self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False)  # 定义最大池化层，kernel_size为3，不启用ceil_modedef forward(self, input):output = self.maxpool1(input)return output# 创建Guodong2模型实例并进行前向传播
guodong2 = Guodong2()
output2 = guodong2(input)
print("\nOutput of Guodong2 with ceil_mode=False:")
print(output2)

运行结果：

在这里插入图片描述

（2）池化操作对图片的影响

from torch import nn
import torchvision
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter# 加载CIFAR10数据集
dataset = torchvision.datasets.CIFAR10("./dataset1", train=False, transform=torchvision.transforms.ToTensor(), download=True)# 创建数据加载器
dataloader = DataLoader(dataset, batch_size=64)# 定义神经网络模型Guodong，使用MaxPool2d进行最大池化操作，ceil_mode=True
class Guodong(nn.Module):def __init__(self):super(Guodong, self).__init__()self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=True)  # 定义最大池化层，kernel_size为3，启用ceil_modedef forward(self, input):output = self.maxpool1(input)return outputguodong = Guodong()# 创建TensorBoard的SummaryWriter实例
writer = SummaryWriter("./logs_maxpool")
step = 0# 遍历数据加载器，将输入图像和模型输出图像添加到TensorBoard中
for data in dataloader:imgs, target = datawriter.add_images("input", imgs, step)  # 将输入图像添加到TensorBoardoutput = guodong(imgs)  # 通过模型前向传播得到输出writer.add_images("output", output, step)  # 将模型输出的图像添加到TensorBoardstep = step + 1writer.close()  # 关闭SummaryWriter

运行结果：

在这里插入图片描述
可以看到，最后的结果就像给图片打了 “马赛克”

三、非线性激活 P20

1.简要介绍

非线性激活函数是神经网络中用于引入非线性特性的函数。在神经网络中，每个神经元除了具有权重和偏置之外，还需要一个激活函数来引入非线性变换，从而使神经网络能够学习复杂的模式和关系。

在深度学习中，使用非线性激活函数的主要原因是为了让神经网络具备学习和表示更加复杂的函数的能力，从而提高模型的表达能力。如果没有非线性激活函数，多层神经网络就会退化为单层网络，无法表达复杂的非线性关系，限制了神经网络的表达能力和学习能力。

常见的非线性激活函数：

ReLU（Rectified Linear Unit）：ReLU函数定义为f(x) = max(0, x)，即将小于等于0的输入映射为0，大于0的输入保持不变。ReLU函数简单且计算高效，在实际应用中被广泛使用。

Sigmoid函数：Sigmoid函数定义为f(x) = 1 / (1 + exp(-x))，它将输入值映射到一个取值范围在[0, 1]之间的输出。Sigmoid函数常用于二分类问题或者需要将输出限制在一定范围内的任务。

Tanh函数：Tanh函数定义为f(x) = (exp(x) - exp(-x)) / (exp(x) + exp(-x))，它将输入值映射到一个取值范围在[-1, 1]之间的输出。Tanh函数在某些情况下比Sigmoid函数更适合使用，尤其是在中心化数据和对称性数据上。

Leaky ReLU：Leaky ReLU函数是对ReLU函数的改进，当输入小于0时，引入一个小的斜率来避免神经元“死亡”的问题。Leaky ReLU函数定义为f(x) = max(ax, x)，其中a是一个小的正数。

ELU（Exponential Linear Unit）：ELU函数在负数区域对输入进行指数级衰减，而在正数区域保持线性增长。ELU函数定义为f(x) = max(ax, x)（x >= 0）和f(x) = a * (exp(x) - 1)（x < 0），其中a是一个小的正数。

Softmax函数：Softmax函数常用于多分类问题中，将一组实数值映射到概率分布上，使得所有输出的总和等于1。Softmax函数定义为f(x_i) = exp(x_i) / sum(exp(x_j))。

2.代码

import torch
import torchvision
from torch import nn
from torch.nn import ReLU, Sigmoid
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter# 创建输入张量并reshape为(batch_size, channels, height, width)
input = torch.tensor([[1, 0.5],[-1, 3]])
input = torch.reshape(input, (-1, 1, 2, 2))
print(input.shape)# 加载CIFAR10数据集
dataset = torchvision.datasets.CIFAR10("./dataset1", train=False, download=True, transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, batch_size=64)# 定义神经网络模型Guodong，包含ReLU和Sigmoid激活函数
class Guodong(nn.Module):def __init__(self):super(Guodong, self).__init__()self.relu1 = ReLU()  # 定义ReLU激活函数self.sigmoid1 = Sigmoid()  # 定义Sigmoid激活函数def forward(self, input):output = self.sigmoid1(input)  # 将输入数据经过Sigmoid激活函数得到输出return outputguodong = Guodong()
output = guodong(input)
print(output)# 使用SummaryWriter创建TensorBoard日志
step = 0
writer = SummaryWriter("logs")
for data in dataloader:imgs, target = datawriter.add_images("input", imgs, step)  # 将输入图像添加到TensorBoardoutput = guodong(imgs)  # 通过模型前向传播得到输出writer.add_images("output", output, step)  # 将模型输出的图像添加到TensorBoardstep += 1writer.close()  # 关闭SummaryWriter

代码运行结果：

在这里插入图片描述

四、线性层及其他层介绍 P21

1.线性层

在这里插入图片描述

2.代码

import torch
import torchvision
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader# 下载并加载 CIFAR10 数据集
dataset = torchvision.datasets.CIFAR10("./dataset1", train=False, transform=torchvision.transforms.ToTensor(), download=True)# 创建数据加载器
dataloader = DataLoader(dataset, batch_size=64)# 定义自定义模型 Guodong
class Guodong(nn.Module):def __init__(self):super(Guodong, self).__init__()self.linear1 = Linear(196608, 10)  # 线性层，将输入维度为 196608 转换为输出维度为 10def forward(self, input):output = self.linear1(input)return output# 创建 Guodong 模型的实例
guodong = Guodong()# 遍历数据加载器
for data in dataloader:imgs, target = data# 打印图像张量的形状print(imgs.shape)# 将图像展平为一维向量output = torch.flatten(imgs)print(output.shape)# 将展平后的向量输入到 Guodong 模型中进行前向传播output = guodong(output)print(output.shape)

五、搭建小实战和Sequential的使用 P22

1.要实现的模型

CIFAR10 结构：
在这里插入图片描述

2.代码

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.tensorboard import SummaryWriterclass Guodong(nn.Module):def __init__(self):super(Guodong,self).__init__()self.module1 = Sequential(Conv2d(3, 32, 5, padding=2),MaxPool2d(2),Conv2d(32, 32, 5, padding=2),MaxPool2d(2),Conv2d(32, 64, 5, padding=2),MaxPool2d(2),Flatten(),Linear(1024, 64),Linear(64, 10))def forward(self,input):output = self.module1(input)return outputguodong = Guodong()input = torch.ones((64, 3, 32, 32))
print(input.shape)
output = guodong(input)
print(output.shape)writer = SummaryWriter("../seq_logs")
writer.add_graph(guodong, input)writer.close()

个人运行在tensorboard中显示异常，如下图，目前还不知道具体原因。
如果有大佬知道，可以在评论区指导

pytorch打不开

这篇关于b站小土堆pytorch学习记录—— P18-P22 神经网络+小实战的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/781526。

相关文章

SpringBoot3应用中集成和使用Spring Retry的实践记录

SpringBoot3应用中集成和使用Spring Retry的实践记录

《SpringBoot3应用中集成和使用SpringRetry的实践记录》SpringRetry为SpringBoot3提供重试机制,支持注解和编程式两种方式,可配置重试策略与监听器,适用于临时性故... 目录1. 简介2. 环境准备3. 使用方式3.1 注解方式 基础使用自定义重试策略失败恢复机制注意事项
阅读更多...
Python UV安装、升级、卸载详细步骤记录

Python UV安装、升级、卸载详细步骤记录

《PythonUV安装、升级、卸载详细步骤记录》：本文主要介绍PythonUV安装、升级、卸载的详细步骤,uv是Astral推出的下一代Python包与项目管理器,主打单一可执行文件、极致性能... 目录安装检查升级设置自动补全卸载UV 命令总结 官方文档详见：https://docs.astral.sh/
阅读更多...
Python并行处理实战之如何使用ProcessPoolExecutor加速计算

Python并行处理实战之如何使用ProcessPoolExecutor加速计算

《Python并行处理实战之如何使用ProcessPoolExecutor加速计算》Python提供了多种并行处理的方式,其中concurrent.futures模块的ProcessPoolExecu... 目录简介完整代码示例代码解释1. 导入必要的模块2. 定义处理函数3. 主函数4. 生成数字列表5.
阅读更多...
统一返回JsonResult踩坑的记录

统一返回JsonResult踩坑的记录

《统一返回JsonResult踩坑的记录》：本文主要介绍统一返回JsonResult踩坑的记录,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录统一返回jsonResult踩坑定义了一个统一返回类在使用时，JsonResult没有get/set方法时响应总结统一返回
阅读更多...
Go学习记录之runtime包深入解析

Go学习记录之runtime包深入解析

《Go学习记录之runtime包深入解析》Go语言runtime包管理运行时环境,涵盖goroutine调度、内存分配、垃圾回收、类型信息等核心功能,：本文主要介绍Go学习记录之runtime包的... 目录前言：一、runtime包内容学习1、作用：① Goroutine和并发控制：② 垃圾回收：③ 栈和
阅读更多...
java对接海康摄像头的完整步骤记录

java对接海康摄像头的完整步骤记录

《java对接海康摄像头的完整步骤记录》在Java中调用海康威视摄像头通常需要使用海康威视提供的SDK,下面这篇文章主要给大家介绍了关于java对接海康摄像头的完整步骤,文中通过代码介绍的非常详细,需... 目录一、开发环境准备二、实现Java调用设备接口（一）加载动态链接库（二）结构体、接口重定义1.类型
阅读更多...
Android学习总结之Java和kotlin区别超详细分析

Android学习总结之Java和kotlin区别超详细分析

《Android学习总结之Java和kotlin区别超详细分析》Java和Kotlin都是用于Android开发的编程语言,它们各自具有独特的特点和优势,：本文主要介绍Android学习总结之Ja... 目录一、空安全机制真题 1：Kotlin 如何解决 Java 的 NullPointerExceptio
阅读更多...
Pytorch介绍与安装过程

Pytorch介绍与安装过程

《Pytorch介绍与安装过程》PyTorch因其直观的设计、卓越的灵活性以及强大的动态计算图功能,迅速在学术界和工业界获得了广泛认可,成为当前深度学习研究和开发的主流工具之一,本文给大家介绍Pyto... 目录1、Pytorch介绍1.1、核心理念1.2、核心组件与功能1.3、适用场景与优势总结1.4、优
阅读更多...
conda安装GPU版pytorch默认却是cpu版本

conda安装GPU版pytorch默认却是cpu版本

《conda安装GPU版pytorch默认却是cpu版本》本文主要介绍了遇到Conda安装PyTorchGPU版本却默认安装CPU的问题,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的... 目录一、问题描述二、网上解决方案罗列【此节为反面方案罗列！！！】三、发现的根本原因[独家]3.1 p
阅读更多...
Java Spring 中的监听器Listener详解与实战教程

Java Spring 中的监听器Listener详解与实战教程

《JavaSpring中的监听器Listener详解与实战教程》Spring提供了多种监听器机制,可以用于监听应用生命周期、会话生命周期和请求处理过程中的事件,：本文主要介绍JavaSprin... 目录一、监听器的作用1.1 应用生命周期管理1.2 会话管理1.3 请求处理监控二、创建监听器2.1 Ser
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2