松江网站建设品划网络,个人怎么建设网站,引流网站怎么做,网站后台管理系统展望1. nn.Linear() nn.Linear()#xff1a;用于设置网络中的全连接层#xff0c;需要注意的是全连接层的输入与输出都是二维张量 一般形状为[batch_size, size]#xff0c;不同于卷积层要求输入输出是四维张量。其用法与形参说明如下#xff1a; in_features指的是输入的二维…1. nn.Linear() nn.Linear()用于设置网络中的全连接层需要注意的是全连接层的输入与输出都是二维张量 一般形状为[batch_size, size]不同于卷积层要求输入输出是四维张量。其用法与形参说明如下 in_features指的是输入的二维张量的大小即输入的[batch_size, size]中的size。 out_features指的是输出的二维张量的大小即输出的二维张量的形状为[batch_sizeoutput_size]当然它也代表了该全连接层的神经元个数。 从输入输出的张量的shape角度来理解相当于一个输入为[batch_size, in_features]的张量变换成了[batch_size, out_features]的输出张量。
用法示例 import torch as t
from torch import nn
from torch.nn import functional as F# 假定输入的图像形状为[3,64,64]
x t.randn(10, 3, 64, 64) # 10张 3个channel 大小为64x64的图片x nn.Conv2d(3, 64, kernel_size3, stride3, padding0)(x)
print(x.shape)# 之前的特征图尺寸为多少只要设置为(1,1)那么最终特征图大小都为(1,1)
# x F.adaptive_avg_pool2d(x, [1,1]) # [b, 64, h, w] [b, 64, 1, 1]
# print(x.shape)# 将四维张量转换为二维张量之后才能作为全连接层的输入
x x.view(x.size(0), -1)
print(x.shape)# in_features由输入张量的形状决定out_features则决定了输出张量的形状
connected_layer nn.Linear(in_features 64*21*21, out_features 10)# 调用全连接层
output connected_layer(x)
print(output.shape)
torch.Size([10, 64, 21, 21])
torch.Size([10, 28224])
torch.Size([10, 10])
