南京做机床的公司网站,修改网站默认首页,赣州网站seo,网站开发整合套件文章目录 0 前言0.1 课程链接#xff1a;0.2 课件下载地址#xff1a; 回忆卷积卷积过程#xff08;以输入为单通道、1个卷积核为例#xff09;卷积过程#xff08;以输入为3通道、1个卷积核为例#xff09;卷积过程#xff08;以输入为N通道、1个卷积核为例#xff09… 文章目录 0 前言0.1 课程链接0.2 课件下载地址 回忆卷积卷积过程以输入为单通道、1个卷积核为例卷积过程以输入为3通道、1个卷积核为例卷积过程以输入为N通道、1个卷积核为例卷积过程以输入为N通道、M个卷积核为例PaddingPaddingpadding1步长stridestride2下采样Max Pooling Layer一个简单的例子如果有GPU的话代码如何改 结果作业 0 前言
0.1 课程链接
《PyTorch深度学习实践》完结合集 有大佬已经写好了笔记大佬的笔记 pytorch0.4
0.2 课件下载地址
链接https://pan.baidu.com/s/1_J1f5VSyYl-Jj2qIuc1pXw 提取码wyhu
回忆
全连接 通道×宽×高 如果按全连接的话就破坏了原来的空间信息 下采样通道数不变目的是减少数据量降低运算
构建一个神经网络之前首先考虑输入的张量的维度是什么输出的张量维度是什么使得卷积神经网络顺利先跑起来。
所有的卷积层下采样合起来被称为特征提取器Feature Extraction即找出某种特征。
接下来介绍卷积、下采样 通过下图直观的认识这两个东西
卷积
讲解卷积之前先讨论一下图像是什么
在计算机领域遇到的图像都称为RGB图像要表示一个像素图片被分成一个一个单元格子每个格子有一个颜色值这样就构成一个图像这样的图像被称为栅格图像相机、显微镜在处理图像时 中学时学的一个东西叫光敏电阻该电阻可以根据光照电阻发生变化. 通过多个个光敏电阻做成一个阵列每个光阻通过光阻都可以反映一个范围内的光的强度通过光的强度与电阻之间的对应关系关系可以画出阵列所反映的图由电阻值转变为光的强度值该图即为黑白图。 像素为2×2 光阻放的越多得到的图片的像素越大有的手机虚表像素值是因为将没有的像素进行了插值取临近的一些像素值的平均值 1红色传感器对红色波段比较敏感R红色传感器中的电阻值可以反应灰度级别即到底有多红用0-255中的值来定义灰度的级别以下类似 2蓝色传感器对蓝色波段比较敏感G 3绿色传感器对绿色波段比较敏感B 由上即可将光阻值转变为彩色图像 下面的额小方格就是由红绿蓝传感器组成的阵列 因此我们遇到的图片一般是栅格图像还有一类图像是矢量图这种图描述方式不和栅格图像一样。 描述矢量图是描述圆心、直径、边是什么颜色填充什么颜色不重要 拿到一个图像将使用三个通道来表示 图像的坐标系的介绍见我的另一篇文章
卷积过程以输入为单通道、1个卷积核为例
数乘对应元素想 乘
卷积过程以输入为3通道、1个卷积核为例
每一个通道配一个核通道数核的数量
上面画出来的三个红色的小方块儿对应为图像中的一个patch。 图像的一个patch与一个卷积核先数乘再相加即下面红色框出来的大方框操作称为卷积 见下图 进一步表示
卷积过程以输入为N通道、1个卷积核为例 上图中一个卷积可以得到一个最终的通道为1的结果如果再使用一个卷积核就可以得到另外一个通道为1的结果以此延
卷积过程以输入为N通道、M个卷积核为例 由上图发现 1卷积核的个数和输入的通道数是一样的这一句应该是写错了应修改为卷积核的通道数和输入的图片的通道数是一样的 2输出的通道数和卷积核的总个数是一样的因此只要看到输出是多少个通道上一步的卷积就有多少个卷积核 由上图知可以将m个卷积核可以拼成一个4维的张量 定义一个卷积层只需要关系4个值 1、输入的通道数决定了卷积核的通道数 2、输出的通道决定了使用了多少个卷积核 3、卷积核的大小宽和高这个是必须的 卷积层的定义和输入图像的大小无关
Padding Paddingpadding1 torch.nn.Conv2d(输入的通道数输出的通道数kernel_sizepaddingbiasFalse) bias是偏置量 conv_layer.weight.data kernel.data就是将定义的卷积核的张量数值给卷积层的权重
步长stridestride2 通过以上的代码得到上面的结果
下采样Max Pooling Layer
这一层没有权重通道数不会变 例如一个2×2的max pooling则默认步长为2 通过以下的代码得到上面的结果
一个简单的例子 用卷积、池化来代替之前的全连接 最后接的是交叉熵损失所以不做激活
如果有GPU的话代码如何改
1模型迁移到GPU cuda:0,表示使用第一块显卡cuda:1表示使用第二块显卡 model.to(device):指的是将模型的参数、缓存、所有的模块都放到cuda里面都转成相应的tensor所有涉及的权重都放进显卡里面此时将把之前在cpu上定义模型、权重全部迁移到GPU上面 2计算时把数据迁移到GPU 把要计算的张量迁移到GPU上面主要是输入和输出 注意要将数据迁移到的显卡要和模型所要迁移的显卡要一致 训练部分需要加 测试部分也需要加上
结果 作业 比较不同配置对应的网络的性能。
