pytorch神经网络线性层及其他层介绍

原创已于 2022-07-15 21:56:16 修改 · 279 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #pytorch #深度学习

于 2022-07-14 16:46:52 首次发布

pytorch 专栏收录该内容

28 篇文章

订阅专栏

该博客介绍了PyTorch中神经网络的线性层使用，包括BatchNorm层，并展示了如何加载CIFAR10数据集，使用DataLoader进行批次处理。通过定义一个简单的线性模型并应用到图片数据上，展示了数据从原始形状到线性层输入形状的变换过程。

部署运行你感兴趣的模型镜像

pytorch神经网络线性层及其他层介绍

Normalization

BatchN

#nn_linear

dataset = torchvision.datasets.CIFAR10("./data", train=False, transform=torchvision.transforms.ToTensor(), download =Ture)

dataloader = DataLoader(dataset, batch_size=64)

class Model_test(nn.Module):
	def __init__(self):
		super(Model_test, self).init():
		self.linear1 = Linear(196600,10)

	def forward(self, input):
		output = self.linear1(input)
		return output

model_test = Model_test()

for data in dataloader:
	imgs, targets = data
	print(imgs.shape)
	output = model_test(imgs)
	#output = torch.reshape(imgs,(1,1,1,-1))
	output = torch.flatten(imgs)
	print(output.shape)
	
	output = model_test(output)
	print(output.shape)