网站推广大概需要多少钱,php做视频分享网站,什么网址可以玩大型游戏,电商网站设计规范目录
一、数据准备
二、创建神经网络模型
三、可视化最大池化效果 一、数据准备
首先#xff0c;需要准备一个数据集来演示最大池化层的应用。在本例中#xff0c;使用了CIFAR-10数据集#xff0c;这是一个包含10个不同类别图像的数据集#xff0c;用于分类任务。我们使…目录
一、数据准备
二、创建神经网络模型
三、可视化最大池化效果 一、数据准备
首先需要准备一个数据集来演示最大池化层的应用。在本例中使用了CIFAR-10数据集这是一个包含10个不同类别图像的数据集用于分类任务。我们使用PyTorch的torchvision库来加载CIFAR-10数据集并进行必要的数据转换。 import torch
import torchvision
from torch.utils.data import DataLoader# 数据集准备
dataset torchvision.datasets.CIFAR10(D:\\Python_Project\\pytorch\\dataset2, trainFalse, transformtorchvision.transforms.ToTensor(), downloadTrue)# 使用DataLoader加载数据集每批次包含64张图像
dataLoader DataLoader(dataset, batch_size64)二、创建神经网络模型
接下来创建一个简单的神经网络模型其中包含一个卷积层和一个最大池化层。这个模型将帮助演示最大池化层的效果。首先定义一个Tudui类该类继承了nn.Module并在初始化方法中创建了一个卷积层和一个最大池化层。 import torch.nn as nn
from torch.nn import Conv2d
from torch.nn.functional import max_pool2dclass Tudui(nn.Module):def __init__(self):super(Tudui, self).__init()# 卷积层self.conv1 Conv2d(in_channels3, out_channels6, kernel_size3, stride1, padding0)# 最大池化层self.pool nn.MaxPool2d(kernel_size2, stride2)def forward(self, x):x self.conv1(x)x self.pool(x)return xtudui Tudui()
print(tudui)上述代码中定义了Tudui类包括了一个卷积层和一个最大池化层。在forward方法中数据首先经过卷积层然后通过最大池化层以减小图像的维度。
三、可视化最大池化效果
最大池化层有助于减小图像的维度提取图像中的主要特征。接下来将使用TensorBoard来可视化最大池化的效果以更好地理解它。首先导入SummaryWriter类并创建一个SummaryWriter对象。
from torch.utils.tensorboard import SummaryWriterwriter SummaryWriter(logs)然后遍历数据集对每个批次的图像应用卷积和最大池化操作并将卷积前后的图像写入TensorBoard。
step 0
for data in dataLoader:imgs, targets data# 卷积和最大池化操作output tudui(imgs)# 将输入图像写入TensorBoardwriter.add_images(input, imgs, step)# 由于TensorBoard不能直接显示多通道图像我们需要重定义输出图像的大小output torch.reshape(output, (-1, 6, 15, 15))# 将卷积和最大池化后的图像写入TensorBoardwriter.add_images(output, output, step)step 1writer.close()在上述代码中使用writer.add_images将输入和输出的图像写入TensorBoard并使用torch.reshape来重定义输出图像的大小以适应TensorBoard的显示要求。
运行上述代码后将在TensorBoard中看到卷积和最大池化的效果。最大池化层有助于提取图像中的关键信息减小图像维度并提高模型的计算效率。
完整代码如下
import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
#数据集准备
dataset torchvision.datasets.CIFAR10(D:\\Python_Project\\pytorch\\dataset2,trainFalse,transformtorchvision.transforms.ToTensor(),downloadTrue)
#使用dataloader加载数据集批次数为64
dataLoader DataLoader(dataset,batch_size64)class Tudui(nn.Module):def __init__(self):super(Tudui,self).__init__()# 该神经网络调用conv2d进行一层卷积输入通道为3层彩色图像为3通道卷积核大小为3*3输出通道为6设置步长为1padding为0不进行填充。self.conv1 Conv2d(in_channels3,out_channels6,kernel_size3,stride1,padding0)def forward(self,x):x self.conv1(x)return xtudui Tudui()
print(tudui)# 生成日志
writer SummaryWriter(logs)step 0
# 输出卷积前的图片大小和卷积后的图片大小
for data in dataLoader:imgs,targets data# 卷积操作output tudui(imgs)print(imgs.shape)print(output.shape)writer.add_images(input,imgs,step)注意使用tensorboard输出时需要重新定义图片大小对于输入的图片集imgs来说tensor.size([64,3,32,32])即一批次为64张一张图片为三个通道大小为32*32对于经过卷积后输出的图片集output来说tensor.size([64,6,30,30])通道数变成了6tensorboard不知道怎么显示通道数为6的图片所以如果直接输出会报错解决方案使用reshape方法对outputs进行重定义把通道数改成3如果不知道批次数大小可以使用-1代替程序会自动匹配批次大小。#重定义输出图片的大小output torch.reshape(output,(-1,3,30,30))# 显示输出的图片writer.add_images(output,output,step)step step 1
writer.close()
参考资料
视频教程PyTorch深度学习快速入门教程绝对通俗易懂【小土堆】
