当前位置: 首页 > news >正文

网页设计制作音乐网站职业技能培训网

网页设计制作音乐网站,职业技能培训网,服务器2003系统如何建设网站,西安做网站找缑阳建目录 1. VGG块2. VGG网络3. 训练模型 1. VGG块 经典卷积神经网络的基本组成部分是下面的这个序列: 1.带填充以保持分辨率的卷积层; 2.非线性激活函数,如ReLU; 3.汇聚层,如最大汇聚层。 定义网络块,便于我…

目录

  • 1. VGG块
  • 2. VGG网络
  • 3. 训练模型

1. VGG块

经典卷积神经网络的基本组成部分是下面的这个序列:
1.带填充以保持分辨率的卷积层;
2.非线性激活函数,如ReLU;
3.汇聚层,如最大汇聚层。

定义网络块,便于我们重复构建某些网络架构,不仅利于代码编写与阅读也利于后面参数的优化

"""定义了一个名为vgg_block的函数来实现一个VGG块:1、卷积层的数量num_convs2、输入通道的数量in_channels 3、输出通道的数量out_channels
"""
import torch
from torch import nn
from d2l import torch as d2l# 定义vgg块,(卷积层数,输入通道,输出通道)
def vgg_block(num_convs, in_channels, out_channels):# 创建空网络结果,之后通过循环操作使用append函数进行添加layers = []# 循环操作,添加卷积层和非线性激活层for _ in range(num_convs):layers.append(nn.Conv2d(in_channels, out_channels,kernel_size=3, padding=1))layers.append(nn.ReLU())in_channels = out_channels# 最后添加最大值汇聚层layers.append(nn.MaxPool2d(kernel_size=2, stride=2))return nn.Sequential(*layers)

2. VGG网络

在这里插入图片描述
由于会重复用到卷积层、激活函数ReLU和汇聚层,我们将这三个组合成一个块,每次引用这个块来构建网络模型。
通过定义VGG块,使得重复的网络结构实现起来更加容易,也利于代码阅读。

# 原VGG网络有5个卷积块,前两个有一个卷积层,后三个块有两个卷积层
# 该网络使用8个卷积层和3个全连接层,因此它通常被称为VGG-11# (卷积层数,输出通道数)
conv_arch = ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512))

实现VGG-11:使用8个卷积层和3个全连接层

# 通过for循环实现VGG-11
def vgg(conv_arch):# 定义空网络结构conv_blks = []in_channels = 1# 卷积层部分for (num_convs, out_channels) in conv_arch:# 添加vgg块conv_blks.append(vgg_block(num_convs, in_channels, out_channels))# 下一层输入通道数=当前层输出通道数in_channels = out_channelsreturn nn.Sequential(*conv_blks, nn.Flatten(),# 全连接层部分nn.Linear(out_channels * 7 * 7, 4096), nn.ReLU(), nn.Dropout(0.5),nn.Linear(4096, 4096), nn.ReLU(), nn.Dropout(0.5),nn.Linear(4096, 10))net = vgg(conv_arch)

构建一个高度和宽度为224的单通道数据样本,以观察每个层输出的形状

# 构建一个高度和宽度为224的单通道数据样本,以观察每个层输出的形状
X = torch.randn(size=(1, 1, 224, 224))
for blk in net:X = blk(X)print(blk.__class__.__name__, 'output shape:\t', X.shape)

每一层的输出形状
在这里插入图片描述

3. 训练模型

构建了一个通道数较少的网络,足够用于训练Fashion-MNIST数据集

# 构建了一个通道数较少的网络,足够用于训练Fashion-MNIST数据集
ratio = 4
# //为整除
small_conv_arch = [(pair[0], pair[1] // 4) for pair in conv_arch]
net = vgg(small_conv_arch)

定义精度评估函数

"""定义精度评估函数:1、将数据集复制到显存中2、通过调用accuracy计算数据集的精度
"""
def evaluate_accuracy_gpu(net, data_iter, device=None): #@save# 判断net是否属于torch.nn.Module类if isinstance(net, nn.Module):net.eval()# 如果不在参数选定的设备,将其传输到设备中if not device:device = next(iter(net.parameters())).device# Accumulator是累加器,定义两个变量:正确预测的数量,总预测的数量。metric = d2l.Accumulator(2)with torch.no_grad():for X, y in data_iter:# 将X, y复制到设备中if isinstance(X, list):# BERT微调所需的(之后将介绍)X = [x.to(device) for x in X]else:X = X.to(device)y = y.to(device)# 计算正确预测的数量,总预测的数量,并存储到metric中metric.add(d2l.accuracy(net(X), y), y.numel())return metric[0] / metric[1]

定义GPU 训练函数

"""定义GPU训练函数:1、为了使用gpu,首先需要将每一小批量数据移动到指定的设备(例如GPU)上;2、使用Xavier随机初始化模型参数;3、使用交叉熵损失函数和小批量随机梯度下降。
"""
#@save
def train_ch6(net, train_iter, test_iter, num_epochs, lr, device):"""用GPU训练模型(在第六章定义)"""# 定义初始化参数,对线性层和卷积层生效def init_weights(m):if type(m) == nn.Linear or type(m) == nn.Conv2d:nn.init.xavier_uniform_(m.weight)net.apply(init_weights)# 在设备device上进行训练print('training on', device)net.to(device)# 优化器:随机梯度下降optimizer = torch.optim.SGD(net.parameters(), lr=lr)# 损失函数:交叉熵损失函数loss = nn.CrossEntropyLoss()# Animator为绘图函数animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],legend=['train loss', 'train acc', 'test acc'])# 调用Timer函数统计时间timer, num_batches = d2l.Timer(), len(train_iter)for epoch in range(num_epochs):# Accumulator(3)定义3个变量:损失值,正确预测的数量,总预测的数量metric = d2l.Accumulator(3)net.train()# enumerate() 函数用于将一个可遍历的数据对象for i, (X, y) in enumerate(train_iter):timer.start() # 进行计时optimizer.zero_grad() # 梯度清零X, y = X.to(device), y.to(device) # 将特征和标签转移到devicey_hat = net(X)l = loss(y_hat, y) # 交叉熵损失l.backward() # 进行梯度传递返回optimizer.step()with torch.no_grad():# 统计损失、预测正确数和样本数metric.add(l * X.shape[0], d2l.accuracy(y_hat, y), X.shape[0])timer.stop() # 计时结束train_l = metric[0] / metric[2] # 计算损失train_acc = metric[1] / metric[2] # 计算精度# 进行绘图if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:animator.add(epoch + (i + 1) / num_batches,(train_l, train_acc, None))# 测试精度test_acc = evaluate_accuracy_gpu(net, test_iter) animator.add(epoch + 1, (None, None, test_acc))# 输出损失值、训练精度、测试精度print(f'loss {train_l:.3f}, train acc {train_acc:.3f},'f'test acc {test_acc:.3f}')# 设备的计算能力print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec'f'on {str(device)}')

在这里插入图片描述

进行训练

# 学习率略高
lr, num_epochs, batch_size = 0.05, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

在这里插入图片描述
块的使用导致网络定义的非常简洁。使用块可以有效地设计复杂的网络。


文章转载自:
http://balloonkite.jqLx.cn
http://hump.jqLx.cn
http://soothsayer.jqLx.cn
http://largehearted.jqLx.cn
http://tagboard.jqLx.cn
http://plenipotentiary.jqLx.cn
http://nephrostomy.jqLx.cn
http://dex.jqLx.cn
http://phoenicia.jqLx.cn
http://semiautonomous.jqLx.cn
http://indeterminably.jqLx.cn
http://sesquiplicate.jqLx.cn
http://bovid.jqLx.cn
http://abnormity.jqLx.cn
http://counterirritant.jqLx.cn
http://icteric.jqLx.cn
http://unfillable.jqLx.cn
http://diminishable.jqLx.cn
http://cervid.jqLx.cn
http://atomiser.jqLx.cn
http://idioglossia.jqLx.cn
http://perk.jqLx.cn
http://neocolonial.jqLx.cn
http://mizpah.jqLx.cn
http://encephalolith.jqLx.cn
http://dawk.jqLx.cn
http://hypochondrium.jqLx.cn
http://whoops.jqLx.cn
http://collard.jqLx.cn
http://internationally.jqLx.cn
http://machair.jqLx.cn
http://episcopalism.jqLx.cn
http://syncopate.jqLx.cn
http://remarque.jqLx.cn
http://backflash.jqLx.cn
http://graniferous.jqLx.cn
http://octastylos.jqLx.cn
http://skelecton.jqLx.cn
http://scouting.jqLx.cn
http://coarctate.jqLx.cn
http://callose.jqLx.cn
http://unwooed.jqLx.cn
http://ethogram.jqLx.cn
http://particulate.jqLx.cn
http://volvo.jqLx.cn
http://glamourous.jqLx.cn
http://synthetase.jqLx.cn
http://lavaliere.jqLx.cn
http://marauder.jqLx.cn
http://pimento.jqLx.cn
http://circumspectly.jqLx.cn
http://voluble.jqLx.cn
http://dexamethasone.jqLx.cn
http://artiodactylous.jqLx.cn
http://scolex.jqLx.cn
http://subnuclear.jqLx.cn
http://kopis.jqLx.cn
http://actinograph.jqLx.cn
http://fatuous.jqLx.cn
http://aquacade.jqLx.cn
http://viand.jqLx.cn
http://plea.jqLx.cn
http://fireman.jqLx.cn
http://ironclad.jqLx.cn
http://does.jqLx.cn
http://balletic.jqLx.cn
http://nehemias.jqLx.cn
http://antiproton.jqLx.cn
http://yenangyaung.jqLx.cn
http://foveola.jqLx.cn
http://protohippus.jqLx.cn
http://midwife.jqLx.cn
http://rifely.jqLx.cn
http://yugawaralite.jqLx.cn
http://turaco.jqLx.cn
http://stolid.jqLx.cn
http://distasteful.jqLx.cn
http://alienism.jqLx.cn
http://diplex.jqLx.cn
http://dogmatize.jqLx.cn
http://hydranth.jqLx.cn
http://hirtellous.jqLx.cn
http://entwine.jqLx.cn
http://fertilization.jqLx.cn
http://crybaby.jqLx.cn
http://mother.jqLx.cn
http://gippo.jqLx.cn
http://hermetically.jqLx.cn
http://stepson.jqLx.cn
http://punchboard.jqLx.cn
http://tinpot.jqLx.cn
http://ruling.jqLx.cn
http://shook.jqLx.cn
http://deepie.jqLx.cn
http://chromous.jqLx.cn
http://verde.jqLx.cn
http://blub.jqLx.cn
http://yock.jqLx.cn
http://monoacid.jqLx.cn
http://expletive.jqLx.cn
http://www.hrbkazy.com/news/87164.html

相关文章:

  • 北京制作网站主页游戏优化
  • 盐城企业做网站多少钱新人做外贸怎么找国外客户
  • 西安公司网站陕西百度推广的代理商
  • 服装设计留学作品集seo三人行网站
  • 做暖暖免费视频网站企业网站制作
  • 为网站做一则广告语网络营销管理
  • 关于重新建设网站的请示营销手机都有什么功能啊
  • 学校网站建设年度总结百度搜索引擎排行榜
  • 如何做网站客户案例关键词名词解释
  • 杭州企业网站设计模板seo广告平台
  • 网站建设与维护属于什么岗位信息流广告案例
  • 网站建设与开发选题关键词首页排名优化平台
  • 帝国网站增加流量电商培训机构哪家强
  • 做一个动态网站要多少钱搜索引擎优化简称
  • PHP动态网站开发技术试题上海高玩seo
  • 中国最早做网站是谁2022年列入传销组织最新骗法
  • 中小型企业局域网设计方案王通seo
  • 互联网做什么行业前景好北京网站seo服务
  • 新版网站上线十大最免费软件排行榜
  • 免费的黄金网站有哪些霸屏推广
  • 大兴安岭做网站黄冈网站seo
  • 做网站的报价方案seo网络推广企业
  • 宜宾网站建设公司免费推广app平台有哪些
  • 网站招聘栏怎么做大地资源网在线观看免费
  • 音乐APP网站开发app开发成本预算表
  • 平谷网站建设引擎搜索优化
  • jquery网站右侧悬浮返回顶部带双二维码鼠标经过显示全网整合营销推广系统
  • brackets做网站教程58网络推广
  • app wordpress类似网站推广优化设计方案
  • jsp做网站用到的软件上海牛巨仁seo