《PyTorch深度学习实践》（5）

主题

卷积神经网络（基础篇）

总结

相机成像：一个光敏电阻接受一个小的光锥，由光敏电阻阵列接受来自物理世界的光波。
卷积层的权重是4-D张量，第一个维度是输入数据的通道数

代码

只需要把对模型的定义换掉，其余不变

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = torch.nn.Conv2d(10, 20,kernel_size=5)
        self.pooling = torch.nn.MaxPool2d(2)
        self.fc = torch.nn.Linear(320, 10)

    def forward(self, x):
        batch_size = x.size(0)
        x = F.relu(self.pooling(self.conv1(x)))
        x = F.relu(self.pooling(self.conv2(x)))
        x = x.view(batch_size, -1)
        x = self.fc(x)
        return x

[1,   300] Loss: 0.627
[1,   600] Loss: 0.195
[1,   900] Loss: 0.146
Accuracy on test set:96.88 %
[2,   300] Loss: 0.115
[2,   600] Loss: 0.103
[2,   900] Loss: 0.090
Accuracy on test set:97.64 %
[3,   300] Loss: 0.080
[3,   600] Loss: 0.074
[3,   900] Loss: 0.074
Accuracy on test set:97.98 %
[4,   300] Loss: 0.059
[4,   600] Loss: 0.064
[4,   900] Loss: 0.063
Accuracy on test set:98.52 %
[5,   300] Loss: 0.056
[5,   600] Loss: 0.050
[5,   900] Loss: 0.056
Accuracy on test set:98.50 %
[6,   300] Loss: 0.049
[6,   600] Loss: 0.051
[6,   900] Loss: 0.046
Accuracy on test set:98.59 %
[7,   300] Loss: 0.044
[7,   600] Loss: 0.043
[7,   900] Loss: 0.045
Accuracy on test set:98.55 %
[8,   300] Loss: 0.038
[8,   600] Loss: 0.040
[8,   900] Loss: 0.046
Accuracy on test set:98.79 %
[9,   300] Loss: 0.038
[9,   600] Loss: 0.036
[9,   900] Loss: 0.037
Accuracy on test set:98.71 %
[10,   300] Loss: 0.032
[10,   600] Loss: 0.034
[10,   900] Loss: 0.040
Accuracy on test set:98.83 %

定义模型：在def __init__(self)中不考虑batch_size的大小，在def forward中考虑batch_size的大小。
卷积层：torch.nn.Conv2d(in_channels, out_channels, kernel_size=···)：kernel_size传入一个数指的是正方形尺寸，也可以传入一个元组，即矩形算子尺寸。其他参数：padding=1，bias=Fasle/True，stride=2。卷积层不必传入输入的长宽尺寸，因为它是遍历卷积
MaxPooling层：torch.nn.MaxPool2d(kernel_size=2)通道数不变。因为该层没有参数，所以在定义模型时只需实例化一个，它可以被重复使用。
Tensor.view()会返回一个新的Tensor，不会修改原Tensor，可以理解为是一个计算图节点。这个节点在forward阶段建立，它的传入参数需要考虑batch_size，即返回的新Tensor的尺寸的第一个维数是batch_size。在forward(self, x)中，首先写上batch_size = x.size(0)以获取当前训练传入的样本个数，后续用于x.view(batch_size, -1)。

用GPU加速

迁移到GPU上分为两步：

把模型迁移至GPU：把网络的参数与结构信息全部放入GPU，转换成CUDA Tensor

model = Net()
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)

把数据（训练与测试）迁移至GPU：数据与模型要迁移在同一块GPU上

inputs, target = data
inputs, target = inputs.to(device), target.to(device)

最后编辑于：2020.06.06 23:20:54