来安网站建设,网站建设标准,在线短链接生成,邹城网站建设目录 1. VGG块2. VGG网络3. 训练模型 1. VGG块
经典卷积神经网络的基本组成部分是下面的这个序列#xff1a; 1.带填充以保持分辨率的卷积层#xff1b; 2.非线性激活函数#xff0c;如ReLU#xff1b; 3.汇聚层#xff0c;如最大汇聚层。
定义网络块#xff0c;便于我… 目录 1. VGG块2. VGG网络3. 训练模型 1. VGG块
经典卷积神经网络的基本组成部分是下面的这个序列 1.带填充以保持分辨率的卷积层 2.非线性激活函数如ReLU 3.汇聚层如最大汇聚层。
定义网络块便于我们重复构建某些网络架构不仅利于代码编写与阅读也利于后面参数的优化
定义了一个名为vgg_block的函数来实现一个VGG块1、卷积层的数量num_convs2、输入通道的数量in_channels 3、输出通道的数量out_channelsimport torch
from torch import nn
from d2l import torch as d2l# 定义vgg块卷积层数输入通道输出通道
def vgg_block(num_convs, in_channels, out_channels):# 创建空网络结果之后通过循环操作使用append函数进行添加layers []# 循环操作添加卷积层和非线性激活层for _ in range(num_convs):layers.append(nn.Conv2d(in_channels, out_channels,kernel_size3, padding1))layers.append(nn.ReLU())in_channels out_channels# 最后添加最大值汇聚层layers.append(nn.MaxPool2d(kernel_size2, stride2))return nn.Sequential(*layers)2. VGG网络 由于会重复用到卷积层、激活函数ReLU和汇聚层我们将这三个组合成一个块每次引用这个块来构建网络模型。 通过定义VGG块使得重复的网络结构实现起来更加容易也利于代码阅读。
# 原VGG网络有5个卷积块前两个有一个卷积层后三个块有两个卷积层
# 该网络使用8个卷积层和3个全连接层因此它通常被称为VGG-11# (卷积层数输出通道数)
conv_arch ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512))实现VGG-11使用8个卷积层和3个全连接层
# 通过for循环实现VGG-11
def vgg(conv_arch):# 定义空网络结构conv_blks []in_channels 1# 卷积层部分for (num_convs, out_channels) in conv_arch:# 添加vgg块conv_blks.append(vgg_block(num_convs, in_channels, out_channels))# 下一层输入通道数当前层输出通道数in_channels out_channelsreturn nn.Sequential(*conv_blks, nn.Flatten(),# 全连接层部分nn.Linear(out_channels * 7 * 7, 4096), nn.ReLU(), nn.Dropout(0.5),nn.Linear(4096, 4096), nn.ReLU(), nn.Dropout(0.5),nn.Linear(4096, 10))net vgg(conv_arch)构建一个高度和宽度为224的单通道数据样本以观察每个层输出的形状
# 构建一个高度和宽度为224的单通道数据样本以观察每个层输出的形状
X torch.randn(size(1, 1, 224, 224))
for blk in net:X blk(X)print(blk.__class__.__name__, output shape:\t, X.shape)每一层的输出形状
3. 训练模型
构建了一个通道数较少的网络足够用于训练Fashion-MNIST数据集
# 构建了一个通道数较少的网络足够用于训练Fashion-MNIST数据集
ratio 4
# //为整除
small_conv_arch [(pair[0], pair[1] // 4) for pair in conv_arch]
net vgg(small_conv_arch)定义精度评估函数
定义精度评估函数1、将数据集复制到显存中2、通过调用accuracy计算数据集的精度def evaluate_accuracy_gpu(net, data_iter, deviceNone): #save# 判断net是否属于torch.nn.Module类if isinstance(net, nn.Module):net.eval()# 如果不在参数选定的设备将其传输到设备中if not device:device next(iter(net.parameters())).device# Accumulator是累加器定义两个变量正确预测的数量总预测的数量。metric d2l.Accumulator(2)with torch.no_grad():for X, y in data_iter:# 将X, y复制到设备中if isinstance(X, list):# BERT微调所需的之后将介绍X [x.to(device) for x in X]else:X X.to(device)y y.to(device)# 计算正确预测的数量总预测的数量并存储到metric中metric.add(d2l.accuracy(net(X), y), y.numel())return metric[0] / metric[1]定义GPU 训练函数
定义GPU训练函数1、为了使用gpu首先需要将每一小批量数据移动到指定的设备例如GPU上2、使用Xavier随机初始化模型参数3、使用交叉熵损失函数和小批量随机梯度下降。#save
def train_ch6(net, train_iter, test_iter, num_epochs, lr, device):用GPU训练模型(在第六章定义)# 定义初始化参数对线性层和卷积层生效def init_weights(m):if type(m) nn.Linear or type(m) nn.Conv2d:nn.init.xavier_uniform_(m.weight)net.apply(init_weights)# 在设备device上进行训练print(training on, device)net.to(device)# 优化器随机梯度下降optimizer torch.optim.SGD(net.parameters(), lrlr)# 损失函数交叉熵损失函数loss nn.CrossEntropyLoss()# Animator为绘图函数animator d2l.Animator(xlabelepoch, xlim[1, num_epochs],legend[train loss, train acc, test acc])# 调用Timer函数统计时间timer, num_batches d2l.Timer(), len(train_iter)for epoch in range(num_epochs):# Accumulator(3)定义3个变量损失值正确预测的数量总预测的数量metric d2l.Accumulator(3)net.train()# enumerate() 函数用于将一个可遍历的数据对象for i, (X, y) in enumerate(train_iter):timer.start() # 进行计时optimizer.zero_grad() # 梯度清零X, y X.to(device), y.to(device) # 将特征和标签转移到devicey_hat net(X)l loss(y_hat, y) # 交叉熵损失l.backward() # 进行梯度传递返回optimizer.step()with torch.no_grad():# 统计损失、预测正确数和样本数metric.add(l * X.shape[0], d2l.accuracy(y_hat, y), X.shape[0])timer.stop() # 计时结束train_l metric[0] / metric[2] # 计算损失train_acc metric[1] / metric[2] # 计算精度# 进行绘图if (i 1) % (num_batches // 5) 0 or i num_batches - 1:animator.add(epoch (i 1) / num_batches,(train_l, train_acc, None))# 测试精度test_acc evaluate_accuracy_gpu(net, test_iter) animator.add(epoch 1, (None, None, test_acc))# 输出损失值、训练精度、测试精度print(floss {train_l:.3f}, train acc {train_acc:.3f},ftest acc {test_acc:.3f})# 设备的计算能力print(f{metric[2] * num_epochs / timer.sum():.1f} examples/secfon {str(device)})进行训练
# 学习率略高
lr, num_epochs, batch_size 0.05, 10, 128
train_iter, test_iter d2l.load_data_fashion_mnist(batch_size, resize224)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())块的使用导致网络定义的非常简洁。使用块可以有效地设计复杂的网络。
