pytorch中 max()、view()、 squeeze()、 unsqueeze()

查了好多博客都似懂非懂,后来写了几个小例子,瞬间一目了然。

目录

一、torch.max()

二、torch.view()

三、

1.torch.unsqueeze()

2.squeeze()


一、torch.max()

import torch 

a=torch.randn(3)
print("a:\n",a)
print('max(a):',torch.max(a))

b=torch.randn(3,4)
print("b:\n",b)
print('max(b,0):',torch.max(b,0))
print('max(b,1):',torch.max(b,1))

   输出:

a:
 tensor([ 0.9558,  1.1242,  1.9503])
max(a): tensor(1.9503)
b:
 tensor([[ 0.2765,  0.0726, -0.7753,  1.5334],
        [ 0.0201, -0.0005,  0.2616, -1.1912],
        [-0.6225,  0.6477,  0.8259,  0.3526]])
max(b,0): (tensor([ 0.2765,  0.6477,  0.8259,  1.5334]), tensor([ 0,  2,  2,  0]))
max(b,1): (tensor([ 1.5334,  0.2616,  0.8259]), tensor([ 3,  2,  2]))

  max(a),用于一维数据,求出最大值。

  max(a,0),计算出数据中一列的最大值,并输出最大值所在的行号。

  max(a,1),计算出数据中一行的最大值,并输出最大值所在的列号。

print('max(b,1):',torch.max(b,1)[1])

 

Squeezenet是一种轻量级的卷积神经网络,适用于移动设备和嵌入式设备。PyTorch是一种深度学习框架,可以用于构建和训练神经网络。如果您想了解如何在PyTorch中实现Squeezenet,可以参考以下代码: ```python import torch import torch.nn as nn class Fire(nn.Module): def __init__(self, inplanes, squeeze_planes, expand1x1_planes, expand3x3_planes): super(Fire, self).__init__() self.inplanes = inplanes self.squeeze = nn.Conv2d(inplanes, squeeze_planes, kernel_size=1) self.squeeze_activation = nn.ReLU(inplace=True) self.expand1x1 = nn.Conv2d(squeeze_planes, expand1x1_planes, kernel_size=1) self.expand1x1_activation = nn.ReLU(inplace=True) self.expand3x3 = nn.Conv2d(squeeze_planes, expand3x3_planes, kernel_size=3, padding=1) self.expand3x3_activation = nn.ReLU(inplace=True) def forward(self, x): x = self.squeeze_activation(self.squeeze(x)) return torch.cat([ self.expand1x1_activation(self.expand1x1(x)), self.expand3x3_activation(self.expand3x3(x)) ], 1) class SqueezeNet(nn.Module): def __init__(self, num_classes=100): super(SqueezeNet, self).__init__() self.features = nn.Sequential( nn.Conv2d(3, 96, kernel_size=7, stride=2), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2, ceil_mode=True), Fire(96, 16, 64, 64), Fire(128, 16, 64, 64), Fire(128, 32, 128, 128), nn.MaxPool2d(kernel_size=3, stride=2, ceil_mode=True), Fire(256, 32, 128, 128), Fire(256, 48, 192, 192), Fire(384, 48, 192, 192), Fire(384, 64, 256, 256), nn.MaxPool2d(kernel_size=3, stride=2, ceil_mode=True), Fire(512, 64, 256, 256), ) self.classifier = nn.Sequential( nn.Dropout(p=.5), nn.Conv2d(512, num_classes, kernel_size=1), nn.ReLU(inplace=True), nn.AvgPool2d(kernel_size=13, stride=1) ) def forward(self, x): x = self.features(x) x = self.classifier(x) return x.view(x.size(), -1) ``` 这个代码定义了SqueezeNet和Fire两个类,其中SqueezeNet包含了多个Fire模块。Fire模块由一个squeeze卷积层和两个expand卷积层组成,用于提取特征。SqueezeNet的前半部分是特征提取器,后半部分是分类器。在前半部分中,使用了多个Fire模块来提取特征,其中每个模块都包含了一个squeeze卷积层和两个expand卷积层。在后半部分中,使用了一个dropout层、一个卷积层和一个平均池化层来进行分类。最终输出的是一个大小为num_classes的向量,表示每个类别的概率。
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值