生肖竞猜网站建设,led网站建设,基层建设被哪些网站全文收录,wordpress如何将分类调用到菜单目录 创建模型读取数据集训练AlexNet AlexNet 是由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 在 2012 年提出的深度卷积神经网络#xff0c;它在当年的 ImageNet 大规模视觉识别挑战赛#xff08;ILSVRC#xff09;中取得了显著的成绩#xff0c;从而引起了深度… 目录 创建模型读取数据集训练AlexNet AlexNet 是由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 在 2012 年提出的深度卷积神经网络它在当年的 ImageNet 大规模视觉识别挑战赛ILSVRC中取得了显著的成绩从而引起了深度学习和卷积神经网络CNN在计算机视觉领域的广泛关注。AlexNet 的成功标志着深度学习在图像识别和分类任务中的一个重大突破它采用了以下关键技术和创新 ReLU激活函数AlexNet 首次在大规模的深度网络中使用了 Rectified Linear UnitReLU激活函数这有助于解决梯度消失问题并加速了网络的训练过程。Dropout 正则化为了防止过拟合AlexNet 引入了 Dropout 技术这是一种在训练过程中随机丢弃一部分神经元的技术。最大池化层AlexNet 使用了最大池化层来降低特征的空间尺寸同时保持重要的特征信息。 数据增强为了提高模型的泛化能力AlexNet 采用了图像数据增强技术包括随机裁剪和水平翻转。GPU 加速AlexNet 利用了 GPU 并行计算的能力显著提高了训练速度。深度架构AlexNet 采用了8层深度网络结构包括5个卷积层和3个全连接层这在当时是一个相对较深的网络。局部响应归一化LRN在某些卷积层之后AlexNet 使用了局部响应归一化来增强网络的泛化能力。
AlexNet 的成功不仅推动了深度学习在图像识别领域的研究也为后续的深度学习模型如 VGG、GoogLeNet 和 ResNet 等奠定了基础。它的出现是深度学习历史上的一个重要里程碑。
import torch
from torch import nn
from d2l import torch as d2l创建模型
# 搭建网络
net nn.Sequential(# 这里使用一个11*11的更大窗口来捕捉对象。# 同时步幅为4以减少输出的高度和宽度。# 另外输出通道的数目远大于LeNetnn.Conv2d(1, 96, kernel_size11, stride4, padding1), nn.ReLU(),nn.MaxPool2d(kernel_size3, stride2),# 减小卷积窗口使用填充为2来使得输入与输出的高和宽一致且增大输出通道数nn.Conv2d(96, 256, kernel_size5, padding2), nn.ReLU(),nn.MaxPool2d(kernel_size3, stride2),# 使用三个连续的卷积层和较小的卷积窗口。# 除了最后的卷积层输出通道的数量进一步增加。# 在前两个卷积层之后汇聚层不用于减少输入的高度和宽度nn.Conv2d(256, 384, kernel_size3, padding1), nn.ReLU(),nn.Conv2d(384, 384, kernel_size3, padding1), nn.ReLU(),nn.Conv2d(384, 256, kernel_size3, padding1), nn.ReLU(),nn.MaxPool2d(kernel_size3, stride2),nn.Flatten(),# 这里全连接层的输出数量是LeNet中的好几倍。使用dropout层来减轻过拟合nn.Linear(6400, 4096), nn.ReLU(),nn.Dropout(p0.5),nn.Linear(4096, 4096), nn.ReLU(),nn.Dropout(p0.5),# 最后是输出层。由于这里使用Fashion-MNIST所以用类别数为10而非论文中的1000nn.Linear(4096, 10))构造高度和宽度都为224的单通道数据观察每一层的输出形状是否符合预期
X torch.randn(1, 1, 224, 224)
for layer in net:Xlayer(X)print(layer.__class__.__name__,output shape:\t,X.shape)Conv2d output shape: torch.Size([1, 96, 54, 54])
ReLU output shape: torch.Size([1, 96, 54, 54])
MaxPool2d output shape: torch.Size([1, 96, 26, 26])
Conv2d output shape: torch.Size([1, 256, 26, 26])
ReLU output shape: torch.Size([1, 256, 26, 26])
MaxPool2d output shape: torch.Size([1, 256, 12, 12])
Conv2d output shape: torch.Size([1, 384, 12, 12])
ReLU output shape: torch.Size([1, 384, 12, 12])
Conv2d output shape: torch.Size([1, 384, 12, 12])
ReLU output shape: torch.Size([1, 384, 12, 12])
Conv2d output shape: torch.Size([1, 256, 12, 12])
ReLU output shape: torch.Size([1, 256, 12, 12])
MaxPool2d output shape: torch.Size([1, 256, 5, 5])
Flatten output shape: torch.Size([1, 6400])
Linear output shape: torch.Size([1, 4096])
ReLU output shape: torch.Size([1, 4096])
Dropout output shape: torch.Size([1, 4096])
Linear output shape: torch.Size([1, 4096])
ReLU output shape: torch.Size([1, 4096])
Dropout output shape: torch.Size([1, 4096])
Linear output shape: torch.Size([1, 10])读取数据集
本文使用Fashion-MNIST, 为了利用AlexNet的架构将Fashion-MNIST的图像放大到224×224
batch_size 128
train_iter, test_iter d2l.load_data_fashion_mnist(batch_size, resize224)训练AlexNet
经验表明随着网络规模的增大适当降低学习率有助于获得更好的训练结果与前一篇文章相比使用了更低的学习率
lr, num_epochs 0.01, 10
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())· 本文使用了大量d2l包这极大地减少了代码编辑量需要安装d2l包才能运行本文代码
封面图片来源 欢迎点击我的主页查看更多文章。 本人学习地址https://zh-v2.d2l.ai/ 恳请大佬批评指正。
