一、分类任务

 构建分类网络模型

• 必须继承nn.Module且在其构造函数中需调用nn.Module的构造函数
• 无需写反向传播函数，nn.Module能够利用autograd自动实现反向传播
• Module中的可学习参数可以通过named_parameters()返回迭代器

from torch import nn
import torch.nn.functional as F

# 构建自己的网络
class Mnist_NN(nn.Module):
    def __init__(self):
        super().__init__()
        self.hidden1 = nn.Linear(784,128)
        self.hidden2 = nn.Linear(128,256)
        self.out = nn.Linear(25,10)

    # 前向传播
    def forward(self,x):
        x = F.relu(self.hidden1(x))
        x = F.relu(self.hidden2(x))
        x = self.out(x)
        return x

net = Mnist_NN()
print(net)

# 打印定义好的名字里的权重和偏置项
for name,parameter in net.named_parameters():
    print(name,parameter,parameter.size())

二、Dataset与DataLoader

from torch.utils.data import TensorDataset
from torch.utils.data import DataLoader
from torch import optim

train_ds = TensorDataset(x_train,y_train)
train_dl = DataLoader(train_ds,batch_size=bs,shuffle=True)

valid_ds = TensorDataset(x_valid,y_valid)
valid_dl = DataLoader(valid_ds,batch_size=bs * 2)

def get_data(train_ds,valid_ds):
    return (
        DataLoader(train_ds,batch_size=bs,shuffle=True),
        DataLoader(valid_ds,batch_size=bs * 2),
    )

def get_model():
    model = Mnist_NN()
    return model,optim.SGD(model.parameters(),lr = 0.01)
train_dl,valid_dl = get_data(train_ds,valid_ds)
model,opt = get_model()

三、卷积神经网络

3.1卷积网络应用

• 检测任务
• 分类与检索
• 超分辨率重构
• 无人驾驶
• 人脸识别

3.2卷积网络与传统网络的区别

左:传统神经网络

右:卷积神经网络

整体架构:

输入层:数据输入

卷积层:提取特征

池化层:压缩特征

全连接层:通过一组权重参数，将输入层与隐层连接起来

 卷积之后得到的值要加上偏置值bias

卷积层涉及参数:

• 滑动窗口步长:窗口移动跳跃的格数
• 卷积核尺寸:例3*3
• 边缘填充:
• 卷积核个数:

3.3 池化层:

最大池化:

 

3.4卷积网络的构建

• 一般卷积层，relu层，池化层可以写成一个套餐
• 注意卷积最后结构还是一个特征图，需要把图转换成向量才能做分类或者回归任务

案例代码如下:

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(
                in_channels=1, #灰度图
                out_channels=16, #要得到多少个特征图
                kernel_size=5, #卷积核大小
                stride=1, #步长
                padding=2,
            ),
            nn.ReLU(), #relu层
            nn.MaxPool2d(kernel_size=2),  #进行池化操作
        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(16,32,5,1,2), #输出(32,14,14)
            nn.ReLU(),
            nn.MaxPool2d(2),
        )
        self.out = nn.Linear(32 * 7 * 7 * 10)  #全连接层得到的结果

    def forward(self,x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0),-1)
        output = self.out(x)
        return output