卷积神经网络(CNN)与深度卷积神经网络(DCNN) | 您所在的位置:网站首页 › cnn的全称是什么意思 › 卷积神经网络(CNN)与深度卷积神经网络(DCNN) |
作为小白,看到DCNN,一直想知道与CNN的区别,也没找到明确的说法,以下是自己的一点想法,欢迎指正!
目录 一、CNN与DCNN 二、基于pytorch的实现 1.LeNet-5 2.AlexNet 一、CNN与DCNN卷积神经网络,如:LeNet 深度卷积神经网络,如:AlexNet AlexNet是第一个现代深度卷积网络模型,首次使用了许多现代深度卷积网络的技术方法,比如,采用ReLu作为非线性激活函数,使用Dropout防止过拟合,是用数据增强提高模型准确率,使用GPU进行并行训练等。 AlexNet与LeNet结构类似,但使用了更多的卷积层和更大的参数空间来拟合大规模数据集ImageNet。 卷积神经网络就是含卷积层的网络。AlexNet是浅层神经网络和深度神经网络的分界线。 (选自书《动手学深度学习》、《神经网络与深度学习》) 二、基于pytorch的实现参考卷积神经网络之 - Lenet LeNet、AlexNet模型实现(pytorch) 1.LeNet-5:来自《神经网络与深度学习》 Input -> conv1 (6) -> pool1 -> conv2 (16) -> pool2 -> fc3 (120) -> fc4 (84) -> fc5 (10) -> softmax 代码实现与原文存在一定差异 import torch import torch.nn as nn import torch.nn.functional as func class LeNet5(nn.Module): def __init__(self,num_classes, grayscale=False): """ num_classes: 分类的数量 grayscale:是否为灰度图 """ super(LeNet5, self).__init__() self.grayscale = grayscale self.num_classes = num_classes if self.grayscale: # 可以适用单通道和三通道的图像 in_channels = 1 else: in_channels = 3 self.conv1 =self.conv1 = nn.Conv2d(in_channels, 6, kernel_size=5) self.conv2 = nn.Conv2d(6, 16, kernel_size=5) self.fc1 = nn.Linear(16*5*5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, num_classes) def forward(self, x): x = func.max_pool2d(self.conv1(x), 2) # 原始的模型使用的是 平均池化 x = func.max_pool2d(self.conv2(x), 2) x = x.view(x.size(0), -1) x = self.fc3(self.fc2(self.fc1(x))) x = func.softmax(x,dim=1) return x #(最后模拟了一个输入,输出一个分类器运算后 10 个 softmax 概率值) num_classes = 10 # 分类数目 grayscale = True # 是否为灰度图 data = torch.rand((1, 1, 32, 32)) print("input data:\n", data, "\n") model = LeNet5(num_classes, grayscale) x= model(data) print(x)
来自《神经网络与深度学习》
假设输入为32*32大小图像,代码实现与上文所述存在一定差异。 import torch import torch.nn as nn class AlexNet(nn.Module): def __init__(self,num_classes, grayscale=False): super(AlexNet, self).__init__() self.grayscale = grayscale self.num_classes = num_classes if self.grayscale: # 可以适用单通道和三通道的图像 in_channels = 1 else: in_channels = 3 self.features = nn.Sequential( nn.Conv2d(in_channels, 96, kernel_size=11,padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2), nn.Conv2d(96, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2), nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2), ) self.classifier = nn.Sequential( nn.Dropout(), nn.Linear(256 * 3 * 3, 4096), nn.ReLU(inplace=True), nn.Dropout(), nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Linear(4096, 10), ) def forward(self, x): x = self.features(x) x = x.view(x.size(0), 256 * 3 * 3) x = self.classifier(x) return x #最后模拟了一个输入,输出一个分类器运算后的值 num_classes = 10 # 分类数目 grayscale = True # 是否为灰度图 data = torch.rand((1, 1, 32, 32)) print("input data:\n", data, "\n") model = AlexNet(num_classes,grayscale) x=model(data) print(x) |
CopyRight 2018-2019 实验室设备网 版权所有 |