做视频网站用什么格式好,做企业商城网站要多少钱,做网站失败,杭州广告设计公司真有用构建自己的网络模型 读前必看刚学完Alex网络感觉很厉害的样子#xff0c;我也要搭建一个可以看着网络结构实现上面的代码你已经很强了#xff0c;千万不要再想实现VGG等网络#xff01;#xff01;#xff01;90%你能了解到的模型大佬早已实现好#xff0c;直接调用… 真有用构建自己的网络模型 读前必看刚学完Alex网络感觉很厉害的样子我也要搭建一个可以看着网络结构实现上面的代码你已经很强了千万不要再想实现VGG等网络90%你能了解到的模型大佬早已实现好直接调用就OK下面是源码用nn.Module实现的AlexNet和我们实现的区别并不大将模型print出来能看懂就可以不忘初心构建自己的网络模型将AlexNet输入改为单通道图片Tips 读前必看
如何用框架复现论文中的模型不重要重要的是明白网络模型原理如何用框架复现论文中的模型不重要重要的是明白网络模型原理如何用框架复现论文中的模型不重要重要的是明白网络模型原理
刚学完Alex网络感觉很厉害的样子我也要搭建一个 回想一下torch构建网络的几种方法
nn.Sequential直接顺序实现nn.Module继承基类构建自定义模型
feature nn.Sequential(nn.Conv2d(3, 64, kernel_size11, stride4, padding2),nn.ReLU(inplaceTrue),nn.MaxPool2d(kernel_size3, stride2),nn.Conv2d(64, 192, kernel_size5, padding2),nn.ReLU(inplaceTrue),nn.MaxPool2d(kernel_size3, stride2),nn.Conv2d(192, 384, kernel_size3, padding1),nn.ReLU(inplaceTrue),nn.Conv2d(384, 256, kernel_size3, padding1),nn.ReLU(inplaceTrue),nn.Conv2d(256, 256, kernel_size3, padding1),nn.ReLU(inplaceTrue),nn.MaxPool2d(kernel_size3, stride2),
)现在需要计算卷积后图像的维度根据公式 image_shape (image_shape - kernel_size 2 * padding) / stride 1计算
in_shape 224
conv_size [11, 5, 3, 3, 3]
padding_size [2, 2, 1, 1, 1]
stride_size [4, 1, 1, 1, 1]
# image_shape (image_shape - kernel_size 2 * padding) / stride 1
for i in range(len(conv_size)):in_shape (in_shape - conv_size[i] 2 * padding_size[i]) / stride_size[i] 1in_shape math.floor(in_shape)if i in [0, 1, 4]:in_shape (in_shape - 3 2 * 0) / 2 1in_shape math.floor(in_shape)
print(in_shape)计算结果是6输出通道是256所以特征有25666个将下面代码添加到Sequential中完成自定义AlexNet构建
nn.Linear(256 * 6 * 6, 4096),
nn.ReLU(inplaceTrue),
nn.Dropout(pdropout),
nn.Linear(4096, 4096),
nn.ReLU(inplaceTrue),
nn.Linear(4096, num_classes)可以看着网络结构实现上面的代码你已经很强了千万不要再想实现VGG等网络90%你能了解到的模型大佬早已实现好直接调用就OK
下面是源码用nn.Module实现的AlexNet和我们实现的区别并不大将模型print出来能看懂就可以
class AlexNet(nn.Module):def __init__(self, num_classes: int 1000, dropout: float 0.5) - None:super().__init__()# _log_api_usage_once(self)self.features nn.Sequential(nn.Conv2d(3, 64, kernel_size11, stride4, padding2),nn.ReLU(inplaceTrue),nn.MaxPool2d(kernel_size3, stride2),nn.Conv2d(64, 192, kernel_size5, padding2),nn.ReLU(inplaceTrue),nn.MaxPool2d(kernel_size3, stride2),nn.Conv2d(192, 384, kernel_size3, padding1),nn.ReLU(inplaceTrue),nn.Conv2d(384, 256, kernel_size3, padding1),nn.ReLU(inplaceTrue),nn.Conv2d(256, 256, kernel_size3, padding1),nn.ReLU(inplaceTrue),nn.MaxPool2d(kernel_size3, stride2),)self.avgpool nn.AdaptiveAvgPool2d((6, 6))self.classifier nn.Sequential(nn.Dropout(pdropout),nn.Linear(256 * 6 * 6, 4096),nn.ReLU(inplaceTrue),nn.Dropout(pdropout),nn.Linear(4096, 4096),nn.ReLU(inplaceTrue),nn.Linear(4096, num_classes),)def forward(self, x: torch.Tensor) - torch.Tensor:x self.features(x)x self.avgpool(x)x torch.flatten(x, 1)x self.classifier(x)return x不忘初心构建自己的网络模型将AlexNet输入改为单通道图片
model AlexNet()
model.features[0] nn.Conv2d(1, 64, kernel_size11, stride4, padding2)
print(model)Tips
Q1: padding是卷积之后还是卷积之前还是卷积之后实现的 padding是在卷积之前补0如果愿意的话可以通过使用torch.nn.Functional.pad来补非0的内容。
Q2padding补0的默认策略是什么 四周都补如果pad输入是一个tuple的话则第一个参数表示高度上面的padding第2个参数表示宽度上面的
