pytorch -- torch.nn网络结构

news2025/2/27 5:20:34

1. 官网描述

官网
使用 torch.nn 模块，我们可以创建自定义的神经网络模型，并使用 PyTorch 提供的优化器（如 torch.optim）和损失函数来训练和优化模型。
在这里插入图片描述

在这里插入图片描述

2. 常见结构

1.卷积操作
卷积
定义：
二维卷积
1.1版本 nn.functional.conv2d

torch.nn.functional.conv2d(input,
weight,
bias=None,
stride=1,
padding=0,
dilation=1, groups=1)

例子：
在这里插入图片描述
代码：

import torch
import torch.nn.functional as F
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]])
kernel = torch.tensor([[1,2,1],
                       [0,1,0],
                       [2,1,0]])
print(input.shape,kernel.shape)#5,5 3,3
input = torch.reshape(input,(1,1,5,5))
kernel = torch.reshape(kernel,(1,1,3,3))

output = F.conv2d(input,kernel,stride=1)
print(output)

output2 = F.conv2d(input,kernel,stride=2)
print(output2)
# padding=1 上下左右加一圈0
output3 = F.conv2d(input,kernel,stride=1,padding=1)
print(output3)

运行：
在这里插入图片描述
1.2版本 torch.nn.Conv2d

torch.nn.Conv2d(
in_channels,    输入通道数
out_channels,   输出通道数
kernel_size,    卷积核大小（int or turple）3 (1,2)
stride=1,       卷积核移动的步长
padding=0,      边界填充（加几圈0）
dilation=1,groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

代码

import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10('data',train=False,
                                       transform=torchvision.transforms.ToTensor(),
                                       download=True)

dataloader = DataLoader(dataset,batch_size=64)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        self.conv1 = nn.Conv2d(3,6,3,stride=1,padding=0)

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

tudui = Tudui()

writer = SummaryWriter('logs')
step = 0
for data in dataloader:
    imgs,targets = data
    output = tudui(imgs)
    print(output.shape)
    # 输入大小
    writer.add_images('input',imgs,step)
    # 输出大小
    output = torch.reshape(output,(-1,3,30,30))
    writer.add_images('output', output, step)
    step+=1

输出：
在这里插入图片描述
在这里插入图片描述
2.池化操作
目的：保留输入特征，减小数据量
最大池化MaxPool2d：下采样
torch.nn.MaxPool2d(
kernel_size, int/tuple 窗口
stride=None, 步长（默认值是Kernel_size）
padding=0, 在外面加一圈
dilation=1, （空洞卷积）
return_indices=False,
ceil_mode=False ceil模式：向上取整
)
在这里插入图片描述
例子：

import torch
import torchvision.datasets
from torch import nn

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]])
# (N,C,Hin,Win) (C,Hin,Win)  -1表示自己计算batchsize,
input = torch.reshape(input,(-1,1,5,5))
print(input.shape)
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        self.maxpool1 = nn.MaxPool2d(kernel_size=3,ceil_mode=True)# 模板创建自己的

    def forward(self,input):
        output = self.maxpool1(input)#输入
        return output

tudui = Tudui()
output = tudui(input)
print(output)

输出
在这里插入图片描述
例子2
代码

import torch
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        self.maxpool1 = nn.MaxPool2d(kernel_size=3,ceil_mode=True)# 模板创建自己的

    def forward(self,input):
        output = self.maxpool1(input)#输入
        return output

tudui = Tudui()

dataset = torchvision.datasets.CIFAR10('data',train=False,download=True,transform=torchvision.transforms.ToTensor())

dataloader = DataLoader(dataset,batch_size=64)

writer = SummaryWriter('logs_maxpool')
step = 0
for data in dataloader:
    imgs,targets = data
    writer.add_images('input', imgs, step)
    output = tudui(imgs)
    writer.add_images('maxpool',output,step)
    step+=1
writer.close()

输出
在这里插入图片描述
在这里插入图片描述

3.非线性激活
在这里插入图片描述

torch.nn.ReLU(inplace=False)
torch.nn.Sigmoid(*args, **kwargs)

代码：

import torch
from torch import nn

input = torch.tensor([[1,-0.5],
                      [-1,3]])
input = torch.reshape(input,(-1,1,2,2))

class Tudui(nn.Module):
    def __init__(self):
        super().__init__()
        self.relu1 = nn.ReLU()
    def forward(self,input):
        output = self.relu1(input)
        return output

tudui = Tudui()
output = tudui(input)
print(output)

运行
在这里插入图片描述
例子2：
代码：

import torch
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

# sigmoid
dataset = torchvision.datasets.CIFAR10('data',train=False,download=True,transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset,batch_size=64)
class Tudui(nn.Module):
    def __init__(self):
        super().__init__()
        self.sigmoid1 = nn.Sigmoid()
    def forward(self,input):
        output = self.sigmoid1(input)
        return output

tudui = Tudui()
writer = SummaryWriter('logs_sigmoid')
step = 0
for data in dataloader:
    imgs,targets = data
    writer.add_images('input',imgs,step)
    output = tudui(imgs)
    writer.add_images('output', output, step)
    print(output.shape)
    step+=1

writer.close()

输出
在这里插入图片描述
在这里插入图片描述
4.线性层
torch.nn.Linear(
in_features,
out_features,
bias=True,
device=None, dtype=None)

代码：

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

dataset = torchvision.datasets.CIFAR10('data',train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset,64,drop_last=True)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        self.linear1 = nn.Linear(in_features=196608,out_features=10)
    def forward(self,input):
        return self.linear1(input)

tudui = Tudui()

for data in dataloader:
    imgs, targets = data
    # output = torch.flatten(imgs)    #torch.Size([196608])
    # 替换展平
    output = torch.reshape(imgs,(1,1,1,-1)) #torch.Size([1, 1, 1, 196608])
    print(output.shape)
    output = tudui(output)            #torch.Size([10]) torch.Size([1, 1, 1, 10])
    print(output.shape)

4.序列化层（sequential）
例子：
在这里插入图片描述

代码：

import torch
from torch import nn
from torch.utils.tensorboard import SummaryWriter


class Tudui(nn.Module):
    def __init__(self):
        super().__init__()
        # 草稿中计算 stride padding
        self.conv1 = nn.Conv2d(in_channels=3,out_channels=32,kernel_size=5,stride=1,padding=2)
        self.maxpool1 = nn.MaxPool2d(2)
        self.conv2 = nn.Conv2d(in_channels=32,out_channels=32,kernel_size=5,padding=2)
        self.maxpool2 = nn.MaxPool2d(2)
        self.conv3 = nn.Conv2d(in_channels=32,out_channels=64,kernel_size=5,padding=2)
        self.maxpool3 = nn.MaxPool2d(2)
        self.flatten = nn.Flatten()
        #64是隐藏单元数
        self.linear1 = nn.Linear(in_features=1024,out_features=64)
        #10是输出类别
        self.linear2 = nn.Linear(in_features=64, out_features=10)
        # 另一种写法
        self.model1 = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(in_features=1024, out_features=64),
            nn.Linear(in_features=64, out_features=10)
        )

    def forward(self,x):
        # x = self.conv1(x)
        # x = self.maxpool1(x)
        # x = self.conv2(x)
        # x = self.maxpool2(x)
        # x = self.conv3(x)
        # x = self.maxpool3(x)
        # x = self.flatten(x)
        # x = self.linear1(x)
        # x = self.linear2(x)
        # sequential方式
        x = self.model1(x)
        return x

tudui = Tudui()
print(tudui)
# 用来检验网络结构参数
input = torch.ones((64,3,32,32))# 64 batchsize（64张）
output = tudui(input)

writer= SummaryWriter('logs_s')
writer.add_graph(tudui,input)
writer.close()

输出
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1473549.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

QT信号槽实现分析

QT信号槽实现分析

1.宏定义 qt中引入了MOC来反射，编译阶段变成 MOC–>预处理–>编译–>汇编–>链接 1-1、Q_OBJECT 这个宏定义了一系列代码，包括元对象和处理的函数 #define Q_OBJECT \public: \QT_WARNING_PUSH \Q_OBJECT_NO_OVERRIDE_WARNING \static c…
阅读更多...
Unity中URP下实现水体（水面高光）

Unity中URP下实现水体（水面高光）

文章目录 前言一、实现高光反射原理1、原理：2、公式： 二、实现1、定义 _SpecularColor 作为高光反射的颜色2、定义 _SpecularIntensity 作为反射系数，控制高光反射的强度3、定义 _Smoothness 作为高光指数，用于模型高光范围4、模拟…
阅读更多...
MySQL进阶篇2-索引的创建和使用以及SQL的性能优化

MySQL进阶篇2-索引的创建和使用以及SQL的性能优化

索引 mkdir mysql tar -xvf mysqlxxxxx.tar -c myql cd mysql rpm -ivh .....rpm yum install openssl-devel ​ systemctl start mysqld ​ gerp temporary password /var/log/mysqld.log ​ mysql -u root -p mysql> show variables like validate_password.% set glob…
阅读更多...
vulnhub----hackme2-DHCP靶机

vulnhub----hackme2-DHCP靶机

文章目录 一，信息收集1.网段探测2.端口扫描3.目录扫描 二，信息分析三，sql注入1.判断SQL注入2.查询显示位3.查询注入点4.查询库5.查询表6.查字段7. 查user表中的值8.登陆superadmin用户 四，漏洞利用文件上传命令执行蚁剑连接 五&am…
阅读更多...
JavaWeb个人学习

JavaWeb个人学习

1:RequestParam(defaultValue "默认的值") 这个可以在一个参数的前面写上 要是前端不传值进来的话 这个形参就是你定义的默认值 2: slf4j 对应的是日志的输出 log.info("参数是 {}", detail); 3: 分页插件 PageHelper 用法: 准备工作: 引入依赖 …
阅读更多...
MySQL之Pt-kill工具

MySQL之Pt-kill工具

工具下载 [rootlocalhost1 bin]# wget percona.com/get/percona-toolkit.tar.gz [rootlocalhost1 bin]# yum install perl-DBI [rootlocalhost1 bin]# yum install perl-DBD-MySQL [rootlocalhost1 bin]# ./pt-kill --help1、每10秒检查一次，发现有 Query 的进程就…
阅读更多...
SpringBoot:Invalid bound statement (not found)的原因和解决方案

SpringBoot:Invalid bound statement (not found)的原因和解决方案

🐓 报错信息： （无效绑定声明）找不到 解析： 你的mapper实例对象和对应的mapper.xml对象未找到 🐓 排查： 情况一： 1.排除相对应的mapper实例对象路径是否正确 查看相对应的mapper中…
阅读更多...
【数据结构】B树，B+树，B*树

【数据结构】B树，B+树，B*树

文章目录 一、B树1.B树的定义2.B树的插入3.B树的中序遍历 二、B树和B*树1.B树的定义2.B树的插入3.B*树的定义4.B树系列总结 三、B树与B树的应用 一、B树 1.B树的定义 1. 在内存中搜索效率高的数据结构有AVL树，红黑树，哈希表等，但这是在内存…
阅读更多...
协同共生，价值共创。璞华集团以客户为中心的协作发展之道

协同共生，价值共创。璞华集团以客户为中心的协作发展之道

协同共生，价值共创。 当一个公司所有人都自发地向着同一个目标协同奋进的时候，没有理由不相信将会有好事发生。协同共生，价值共创，在璞华集团已经成为自然而然的、植根于日常行动的主旋律。 璞华集团，一家以长期主义…
阅读更多...
Go语言基本语法

Go语言基本语法

Go语言基本语法 设置 GOPATH 环境变量 开始写 go 项目代码之前，需要我们先配置好环境变量。编辑 ~/.bash_profile（在终端中运行 vi ~/.bash_profile 即可）来添加下面这行代码（如果你找不到 .bash_profile，那自己创建…
阅读更多...
每日五道java面试题之spring篇（七）

每日五道java面试题之spring篇（七）

目录： 第一题. 什么是Spring beans？第二题. 一个 Spring Bean 定义 包含什么？第三题. 如何给Spring 容器提供配置元数据？Spring有几种配置方式?第四题. Spring基于xml注入bean的几种方式?第五题：你怎样定义类的作用域…
阅读更多...
41.仿简道云公式函数实战-数学函数-SUMIF

41.仿简道云公式函数实战-数学函数-SUMIF

1. SUMIF函数 SUMIF 函数可用于计算子表单中满足某一条件的数字相加并返回和。 2. 函数用法 SUMIF(range, criteria, [sum_range]) 其中各参数的含义及使用方法如下： range：必需；根据 criteria 的条件规则进行检测的判断字段。支持的字段…
阅读更多...
prime_series_level-1靶场详解

prime_series_level-1靶场详解

环境搭建 官网https://www.vulnhub.com/entry/prime-1,358/ 直接导入靶机 解题思路 arp-scan -l 确认靶机ip为192.168.236.136 也可以使用nmap扫网段 nmap -sn 192.168.236.0/24 使用nmap扫描靶机开放的端口 nmap -sS -T5 --min-rate 10000 192.168.236.136 -sC -p- &#xf…
阅读更多...
ABBYY FineReader16文档转换、PDF管理与文档比较功能介绍

ABBYY FineReader16文档转换、PDF管理与文档比较功能介绍

ABBYY FineReader 16作为一款OCR和PDF一体化程序，其强大的功能使得文档处理变得简单高效。在众多功能中，文档转换、PDF管理和文档比较这三大功能尤为突出，成为了众多企业和个人用户的首选工具。 ABBYY Finereader 16-安装包下载如下&#xff…
阅读更多...
好书推荐丨AI绘画全面精通：软件平台+脚本文案+设计制作+案例实战

好书推荐丨AI绘画全面精通：软件平台+脚本文案+设计制作+案例实战

文章目录 写在前面AI绘画推荐图书图书简介本书特色作者简介 推荐理由粉丝福利写在后面 写在前面 本期博主给大家带来了一本全新出版的AI绘画类书籍，《AI绘画全面精通：软件平台脚本文案设计制作案例实战》，对人工智能感兴趣的小伙伴快来看看吧…
阅读更多...
什么时候要用到Reflect API？

什么时候要用到Reflect API？

参考文档 https://www.zhihu.com/question/460133198 https://cn.vuejs.org/guide/extras/reactivity-in-depth.html https://juejin.cn/post/7103764386220769311 Reflect API 一般搭配 Proxy API 一起使用。什么是 Proxy API 呢？ 先回顾下 vue 的数据响应性是如何…
阅读更多...
27-树-左叶子之和

27-树-左叶子之和

这是树的第27篇算法，力扣链接。 给定二叉树的根节点 root ，返回所有左叶子之和。 示例 1： 输入: root [3,9,20,null,null,15,7] 输出: 24 解释: 在这个二叉树中，有两个左叶子，分别是 9 和 15，所以返回 2…
阅读更多...
前后端项目宝塔linux部署（springboot，vue，python）

前后端项目宝塔linux部署（springboot，vue，python）

宝塔linux安装就省略了，网上一堆 1.部署后端 1.首先把自己项目里面打包好的的jar包上传到服务器随便一个地方，我这里就上传到www/wwwroot下面了，宝塔的文件页面可以很便携上传 2.然后到下面这个页面 选那个java环境管理装个jdk&#xff…
阅读更多...
在github的README.md中插入视频；在github的README.md中添加gif演示动画

在github的README.md中插入视频；在github的README.md中添加gif演示动画

最近需要再github中上传项目的源代码，应导师的要求，需要再README中加入对实验视频的展示，但是github的README.md其实就是一个markdown文件，据我的理解这个文件里应该无法直接插入视频吧？（如果后续有办法直接…
阅读更多...
【postgresql】数据表id自增与python sqlachemy结合实例

【postgresql】数据表id自增与python sqlachemy结合实例

需求： postgresql实现一个建表语句，表名：student,字段id,name,age， 要求：每次添加一个数据id会自动增加1 在PostgreSQL中，您可以使用SERIAL或BIGSERIAL数据类型来自动生成主键ID。以下是一个创建名为stude…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023