Pytorch框架下的CNN和RNN

小维_

已于 2024-05-02 17:49:03 修改

阅读量647

点赞数 2

分类专栏：深度学习算法——Pytorch 文章标签： pytorch cnn rnn

于 2024-05-02 17:48:19 首次发布

本文链接：https://blog.youkuaiyun.com/qq_38633279/article/details/138395666

版权

本文介绍了使用PyTorch实现的卷积神经网络（CNN）和长短时记忆网络（RNN）模型，分别用于图像分类和序列数据（如时间序列预测）的案例。CNN部分展示了三层结构，而RNN则包括LSTM用于分类和基本RNN用于回归的示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.CNN

建立了3层（3层=2层+1层全连接层）。分别是conv1、conv2和分类问题中的全连接层线性层out

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(         # input shape (1, 28, 28)
            nn.Conv2d(
                in_channels=1,              # input height
                out_channels=16,            # n_filters
                kernel_size=5,              # filter size
                stride=1,                   # filter movement/step
                padding=2,                  # if want same width and length of this image after Conv2d, padding=(kernel_size-1)/2 if stride=1
            ),                              # output shape (16, 28, 28)
            nn.ReLU(),                      # activation
            nn.MaxPool2d(kernel_size=2),    # choose max value in 2x2 area, output shape (16, 14, 14)
        )
        self.conv2 = nn.Sequential(         # input shape (16

最低0.47元/天解锁文章