pytorch2--全连接层、GPU加速、测试

最新推荐文章于 2025-10-27 12:56:36 发布

原创

最新推荐文章于 2025-10-27 12:56:36 发布 · 1.6k 阅读

5 ·

CC 4.0 BY-SA版权

本文详细介绍了深度学习中全连接层的构建与激活函数的使用，通过PyTorch框架实现了从数据加载到网络训练的全过程。文章重点讲解了nn.Linear层的应用，ReLU与LeakyReLU激活函数的区别，以及如何利用GPU加速训练过程。

四.封装网络结构+nn.ReLU+GPU加速实现多分类

一.全连接层

1.nn.Linear

不需要建立w/b，将torch.Size([1, 784])输出为torch.Size([1, 10])即实现in784->out200,200->200,200->10

import torch
import torch.nn as nn 
x = torch.randn([1,784])
x.shape

layer1 = nn.Linear(784,200)
layer2 = nn.Linear(200,200)
layer3 = nn.Linear(200,10)

x = layer1(x)
x.shape
x = layer2(x)
x.shape
x = layer3(x)
x.shape

2.加入relu

本来x直接送到下一个layer,加入激活函数Relu之后，确保非线性的保持。

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

x = torch.randn([1,784])
x.shape

layer1 = nn.Linear(784,200)
layer2 = nn.Linear(200,200)
layer3 = nn.Linear(200,10)

x = layer1(x)
x = F.relu(x,inplace=True)
x.shape

x = layer2(x)
x = F.relu(x,inplace=True)
x.shape

x = layer3(x)
x = F.relu(x,inplace=True)
x.shape

3.nn.ReLU与F.relu

class-style API:nn.ReLu大写，必须先实例化再调用，w/b是内部成员不能私自访问，只能使用 .parameters 来访问。

layer=nn.ReLU()

x=layer(x)

function-style API： F.relu小写，底层操作，不需要实例。

x = F.relu(x,inplace=True)

4.封装网络结构

之前的3层是分开的，我们创建一个自己的类（网络结构），封装性更强，继承自nn.Module。

①初始化

②forward()

③不需要backward()

#封装网络结构
class MLP(nn.Module):
    def __init__(self):
        supe

最低0.47元/天解锁文章