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)

pytorch从零搭建神经网络实现多分类(训练自己的数据集)

2024-02-26 10:07| 来源: 网络整理| 查看: 265

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。在这里插入图片描述

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10

②：

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

【本文地址】

pytorch从零搭建神经网络实现多分类(训练自己的数据集)

pytorch从零搭建神经网络实现多分类(训练自己的数据集)

今日新闻

推荐新闻