神经网络来啦

最新推荐文章于 2024-08-09 08:52:25 发布

原创

最新推荐文章于 2024-08-09 08:52:25 发布 · 1.3k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #人工智能 #深度学习

本文通过一个实例演示了神经网络中卷积层、池化层和线性层的使用，将3@32x32的输入转化为10的线性输出。解释了如何计算padding大小，并对比了使用和不使用Sequential的代码实现，强调在层数较多时，Sequential的便利性。

本文以下面这个图为例，来实战演示神经网络中的卷积层、池化层、线性层的具体用法，使得由原来输入3@32x32（3渠道，宽32，高32）的数据，最终转化为了10的线性数据。并且采用两种方式去写，一种没有用Sequential，一种用了Sequential。发现，当神经网络需要很多层的变换的时候，往往使用Sequential会会更加的方便。

1.卷积层

由3@32X32（3渠道，宽32，高32）的数据转换成32@32X32（32渠道，宽32，高32）的代码实现是怎么样的呢？

代码如下：

class net_work(nn.Module):
    def __init__(self):
        super(net_work, self).__init__()
        self.conv1 = Conv2d(3, 32, 5, padding=2)

此段代码的意思是，卷积变换，输入3渠道，输出32渠道，卷积核大小是5X5的，padding是2，好的，那问题来了，为什么padding的大小是2呢，当然是我们通过如下的数学公式计算出来的，我们打开pytorch的官网，找到长度变换公式（如下），由此公式可计算出来，输出的宽度和高度是如何计算得来的，当我们根据上面那个图得知通过卷积层由32X32的变成了32X32的，dilation（空洞卷积）为默认值1，卷积核为5，stride=1，由此得知，padding的大小为2.这样才能经过一层卷积输出32@32X32。