1、正则化层中nn.BatchNorm2d简介

主要作用：对输入函数采用 正则化 。正则化的主要作用是加快神经网络的训练速度.

                        
                          class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

                        
                      

输入参数:

• num_features : 形状为 \((N, C, H, W)\) 。

• 其他参数默认即可 。

举例:

                        
                          # With Learnable Parameters
m = nn.BatchNorm2d(100)
# Without Learnable Parameters
m = nn.BatchNorm2d(100, affine=False)
input = torch.randn(20, 100, 35, 45)
output = m(input)

                        
                      

该函数用得不多 。

2、其他层简介

1. Recurrent Layers（Recurrent层）

内含 RNN、LSTM 等函数，主要在nlp领域用的比较多 。

官方文档： Recurrent Layers 。

2. Transformer Layers

3. Linear Layers(线性层)

nn.Linear

                        
                          class torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None

                        
                      

（1）参数介绍及计算方法

参数介绍:

• in_features 。

• out_features 。

• bias(bool) 。

线性层具体参数解释如下图:

• \(in\_features=d\) ，即指的是in_features的个数 。

• \(out\_features=L\) ，即指的是out_features的个数 。

计算 \(g\) 的方法（以上图 \(g_1\) 为例）:

• \(x_1,\dots,x_i,\dots,x_d\) 每个指向 \(g_1\) 的箭头上，均有：

• 其中， \(b_i\) 代表偏置，参数 \(bias=True\) ，则加上 \(b\) ； \(bias=False\) ，则不加 \(b\) 。

• 在每次训练神经网络的过程中，均会调整 \(k_i\) 、 \(b_i\) 的值，直到它变成一个合适的数值 。

• 由此可得:

（2）代码示例

以典型的 VGG16 Model 网络结构为例:

因此，设置 in_features=4096; out_feature=1000 。

• 下面代码以一个尺寸为 n×n 的图像为例，先将图像展开成一行，即 1× \(n^2\) 的尺寸。最后将 1× \(n^2\) 尺寸的图像通过 线性层 ，转化为 1×10 尺寸的图像。

                        
                          import torch
import torchvision
from torch.utils.data import DataLoader
from torch import nn
from torch.nn import Linear

dataset=torchvision.datasets.CIFAR10("./dataset",train=False,download=True,transform=torchvision.transforms.ToTensor())
dataloder=DataLoader(dataset,batch_size=64)

# for data in dataloder:
#     imgs,targets = data
#     #print(imgs.shape)   #[Run] torch.Size([64, 3, 32, 32])
#
#     #我们的目标是把图像尺寸变成1×1×1×根据前面计算得出的数,下面进行转换
#     output=torch.reshape(imgs,(1,1,1,-1))
#     #print(output.shape)  #[Run] torch.Size([1, 1, 1, 196608])

#根据上面output得出的196608尺寸数据，构造神经网络结构
class Demo(nn.Module):
    def __init__(self):
        super(Demo,self).__init__()
        self.linear1=Linear(in_features=196608,out_features=10)

    def forward(self,input):
        output=self.linear1(input)
        return output

#调用神经网络
demo=Demo()

for data in dataloder:
    imgs,targets=data
    output=torch.reshape(imgs,(1,1,1,-1))

    output=demo.forward(output)
    print(output.shape)  #[Run] torch.Size([1, 1, 1, 10])

                        
                      

由此，成功将 1×1×1×196608 尺寸的图像转化为 1×1×1×10 尺寸的图像 。

注意:

• 可以用 torch.flatten() 函数将图像展开成一行，即替换第33行的代码 output=torch.reshape(imgs,(1,1,1,-1)) ，为：

                        
                          output=torch.flatten(imgs)
# print(output.shape)  #[Run] torch.Size([196608])

                        
                      

• torch.flatten() 和 torch.reshape() 的区别:

  • torch.flatten更方便，可以直接把图像变成一行 。

  • torch.reshape功能更强大，可任意指定图像尺寸 。

4. Dropout Layers

主要作用：在训练的过程中 随机 把一些input（输入的tensor数据类型） 变成0 。变成0的概率由 \(p\) 决定 。

                        
                          class torch.nn.Dropout(p=0.5, inplace=False)

                        
                      

• 变成0的主要原因是 防止过拟合

5. Sparse Layers

nn.Embedding

主要用于自然语言处理中 。

                        
                          class torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None,
      max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False,
      _weight=None, _freeze=False, device=None, dtype=None)

                        
                      

6.Distance Functions

主要作用：计算两个值之间的误差，并指定误差的衡量标准 。

7. Loss Function

主要作用：计算Loss的误差大小 。

3、调用pytorch中的网络模型

现在我们已经学会如何自己搭建神经网络模型了，下面介绍pytorch中神经网络模型的调用方法。根据官方文档，我们可以调用自己需要的网络结构，而不需要自己写代码 。

1.图像方面的网络结构 。

官网文档： Models and pre-trained weights — Torchvision 0.15 documentation 。

2.语音方面的网络结构 。

官方文档： torchaudio.models — Torchaudio 2.0.1 documentation 。

最后此篇关于深度学习（十一）——神经网络：线形层及其他层介绍的文章就讲到这里了,如果你想了解更多关于深度学习（十一）——神经网络：线形层及其他层介绍的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。