神经网络结构学习（介绍一种理解tensor结构的方法）

原创已于 2022-10-30 20:02:42 修改 · 923 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #学习 #深度学习 #人工智能 #pytorch

于 2022-09-13 10:39:34 首次发布

机器学习专栏收录该内容

7 篇文章

订阅专栏

本文介绍了如何理解Tensor的格式，包括NCHW维度表示，并通过实例展示了使用PyTorch实现的卷积和池化层的转换。通过创建简单的网络并观察输入输出Tensor的变化，加深对深度学习层函数参数的理解。同时提到了全连接层中Flatten方法的应用，以及Linear层的使用。

介绍一种理解tensor结构的方法

1. tensor的格式
2. 相关层的tensor转化（卷积，池化，激活）：使用深度学习平台，理解相关层的函数的相关参数（查看官方文档），制作最简单网络（只有一层输入输出），设置输入tensor查看输出tensor。

tensor的格式

常见的tensor表示
imgs = torch.randn(1, 2, 2, 3 , names=(‘N’, ‘C’, ‘H’, ‘W’))

在这里插入图片描述

N：数据的数量（常设为-1，表示不确定数量）
C：通道数
H：图像尺寸的高度
W：图像尺寸的宽度

例如 in = torch.reshape(5,3,64,64)
可理解为是5张每张3个通道的尺寸64*64的图片。

相关层的tensor转化

亲手实践利于理解

import torch

inputs = torch.tensor(torch.rand(5,5),dtype=torch.float32)

inputs = torch.reshape(inputs, (-1,1,5,5))

inputs

在这里设置只有一个层的函数，测试输出层的tensor

from torch import nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        #池化层
        self.maxpool1 = nn.MaxPool2d(kernel_size=3, ceil_mode=False)
        # 可换成其它层函数，例如卷积，relu，linear等等
        
    def forward(self, inputs):
        return self.maxpool1(inputs)

learnNet = Net()

out = learnNet(inputs)

out

全连接层
需要先将tensor的通道数转化为1，使用flatten方法

nn.Flatten(),
nn.Linear(10*10, 1)