利用Pytorch进行CNN详细剖析

最新推荐文章于 2025-05-21 12:53:23 发布

原创

最新推荐文章于 2025-05-21 12:53:23 发布 · 8.8k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#CNN #神经网络

大数据

转载请注明出处：利用Pytorch进行CNN详细剖析（乐投网 - 大数据，人工智能第一干货网）

本文缘起于一次CNN作业中的一道题，这道题涉及到了基本的CNN网络搭建，在MNIST数据集上的分类结果，Batch Normalization的影响，Dropout的影响，卷积核大小的影响，数据集大小的影响，不同部分数据集的影响，随机数种子的影响，以及不同激活单元的影响等，能够让人比较全面地对CNN有一个了解，所以想做一下，于是有了本文。

工具

开源深度学习库： PyTorch
数据集：MNIST

实现

初始要求

大数据

首先建立基本的BASE网络，在Pytorch中有如下code：

class Net(nn.Module):
 def __init__(self):
 super(Net, self).__init__()
 self.conv1 = nn.Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1), padding=0)
 self.conv2 = nn.Conv2d(20, 50, kernel_size=(5, 5), stride=(1, 1), padding=0)
 self.fc1 = nn.Linear(4*4*50, 500)
 self.fc2 = nn.Linear(500, 10)

def forward(self, x):
 x = F.max_pool2d(self.conv1(x), 2)
 x = F.max_pool2d(self.conv2(x), 2)
 x = x.view(-1, 4*4*50)
 x = F.relu(self.fc1(x))
 x = self.fc2(x)
 return F.log_softmax(x)

这部分代码见base.py。