pytorch从零搭建神经网络实现多分类(训练自己的数据集) |
您所在的位置:网站首页 › pytorch cnn分类 › pytorch从零搭建神经网络实现多分类(训练自己的数据集) |
简介
本文介绍如何使用pytorch搭建基础的神经网络,解决多分类问题。主要介绍了两个模型:①全连接层网络;②VGG11卷积神经网络模型(下次介绍)。为了演示方便,使用了Fashion-Mnist服装分类数据集(10分类数据集,介绍可以去网上搜一下,这里不赘述),也可以在自己的制作的数据集上训练(后面会稍作介绍)。在文章最后会附上完整的可运行的代码。 1 全连接层网络全连接层网络包括输入层、隐藏层以及输出层。其中隐藏层中可以包括多个全连接层,理论上可以加无数层,加的越多,网络的深度越深。每个全连接层中可以包含多个节点,理论上也可以无数多,节点数越多,网络宽度越宽。但实际上,网络深和宽并不意味着性能越好,需要视情况而定。 一般每一层输出后还要使用激活函数,以及一些正则化手段如dropout。 1.1 搭建模型 class FCNet(nn.Module):#全连接网络 def __init__(self): super().__init__() self.fc1 = nn.Linear(784,512) self.fc2 = nn.Linear(512,256) self.fc3 = nn.Linear(256,128) self.fc4 = nn.Linear(128,64) self.fc5 = nn.Linear(64,10) self.dropout = nn.Dropout(p=0.2) def forward(self,x): x = x.view(x.shape[0],-1) x_1 = self.dropout(F.relu(self.fc1(x))) x_2 = self.dropout(F.relu(self.fc2(x_1))) x_3 = self.dropout(F.relu(self.fc3(x_2))) x_4 = self.dropout(F.relu(self.fc4(x_3))) x_out = F.softmax(self.fc5(x_4),1) return x_out可以看出全连接网络的搭建十分简单,很容易理解。首先创建一个类,继承Module类。初始化后定义各个全连接层,此处的定义并不一定要按照顺序,但为了容易理解,一般按顺序定义。 self.fc1 = nn.Linear(784,512)#第一层全连接层,节点数为512 self.fc2 = nn.Linear(512,256)#第二层全连接层,节点数为256由于Fashion-Mnist数据集的每个样本的特征点数为784(28*28的图片),因此第一层全连接层的输入节点数为784,512则代表该全连接层的输出节点数(即该全连接层有512个节点)。以此类推,若下一层全连接层的节点数为256,则将输入节点数改为512,输出改为256。 ①: self.fc1 = nn.Linear(784,2048)#第一层全连接层,节点数为2048 self.fc2 = nn.Linear(2048,10)#第二层全连接层,节点数为10②: self.fc1 = nn.Linear(784,256)#第一层全连接层,节点数为256 self.fc2 = nn.Linear(256,128)#第二层全连接层,节点数为128 self.fc3 = nn.Linear(128,10)#第三层全连接层,节点数为 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |