深度卷积神经网络和卷积神经网络_卷积神经网络的应用

深度卷积神经网络和卷积神经网络_卷积神经网络的应用作为小白,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-52.AlexNet

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:

深度卷积神经网络和卷积神经网络_卷积神经网络的应用

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)

深度卷积神经网络和卷积神经网络_卷积神经网络的应用

2.AlexNet

 

preview

深度卷积神经网络和卷积神经网络_卷积神经网络的应用

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)

深度卷积神经网络和卷积神经网络_卷积神经网络的应用

今天的文章深度卷积神经网络和卷积神经网络_卷积神经网络的应用分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/71505.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注