网站制作价格报表,做菠菜网站代理犯法吗,电商平台运营方案,建设一个网站成本多少钱一、定义提取特征网络结构
将要实现的神经网络参数存放在列表中#xff0c;方便使用。
数字代表卷积核的个数#xff0c;字符代表池化层的结构
cfgs {vgg11: [64, M, 128, M, 256, 256, M, 512, 512, M, 512, 512, M],VGG13: [64, 64, M, 128, 128, M, 256, …一、定义提取特征网络结构
将要实现的神经网络参数存放在列表中方便使用。
数字代表卷积核的个数字符代表池化层的结构
cfgs {vgg11: [64, M, 128, M, 256, 256, M, 512, 512, M, 512, 512, M],VGG13: [64, 64, M, 128, 128, M, 256, 256, M, 512, 512, M, 512, 512, M],VGG16: [64, 64, M, 128, 128, M, 256, 256, 256, M, 512, 512, 512, M, 512, 512, 512, M],VGG19: [64, 64, M, 128, 128, M, 256, 256, 256, 256, M, 512, 512, 512, 512, M, 512, 512, 512, 512, M],
}
二、 定义提取特征网络
如果遍历过程中 v M,就是定义池化层后面的卷积核与stride步距都是网络的默认参数。
数字代表的就是定义卷积层然后与激活函数链接在一起。
最后返回时以非关键字参数的形式传入。
def make_features(cfg: list):layers []in_channels 3for v in cfg:if v M:layers [nn.MaxPool2d(kernel_size2, stride2)]else:conv2d nn.Conv2d(in_channels, v, kernel_size3, padding1)layers [conv2d, nn.ReLU(True)]in_channels vreturn nn.Sequential(*layers)
三、初始化网络
传入参数featuresclass_num是否需要初始化权重。
定义分类网络结构dropout方法缓解过拟合问题再全连接核relu激活函数链接起来。
如果需要初始化权重那么就会进入初始化权重的函数中。
class VGG(nn.Module):def __init__(self, features, class_num1000, init_weightFalse):super(VGG, self).__init__()self.features featuresself.classifier nn.Sequential(nn.Dropout(p0.5),nn.Linear(512*7*7, 2048),nn.ReLU(True),nn.Dropout(p0.5),nn.Linear(2048, 2048),nn.ReLU(True),nn.Linear(2048, class_num))if init_weight:self._initialize_weights() 四、初始化权重函数
这个函数会遍历网络的每一个子模块。
如果遍历的当前层是一个卷积层那么这个方法会初始化卷积核的权重如果采用了偏置那就默认初始化为0.
如果遍历的当前层是全连接层也是用这个方法去初始化全连接层的权重并将偏置设置为0. def _initialize_weights(self):for m in self.modules(): # 遍历模块中的每一个子模块if isinstance(m, nn.Conv2d):nn.init.xavier_uniform_(m.weight)if m.bias is not None:nn.init.constant_(m.bias, 0)elif isinstance(m, nn.Linear):nn.init.xavier_uniform_(m.weight)nn.init.constant_(m.bias, 0)五、定义正向传播
x输入的图像数据
features提取网络特征结构
flatten展平处理。因为第0个维度是batch所以我们从第一个维度开始展平
经过分类网络结构后返回 def forword(self, x):x self.features(x)x torch.flatten(x, strat_dim1)x self.classifier(x)return x
六、实例化模型
传入参数model_name实例化给定的配置模型。
将key值传入字典当中
通过VGG这个类来实例化这个网络
features通过make_features这个函数来实现
最后创建对象实现VGG神经网络的搭建。
def vgg(model_namevgg16, **kwargs):try:cfg cfgs[model_name]except:print(waring: model number {} not in cfgs dict.format(model_name))model VGG(make_features(cfg), **kwargs)return modelvgg_model vgg(model_namevgg13) 运行成功网络搭建成功。 全部代码
import torch.nn as nn
import torchclass VGG(nn.Module):def __init__(self, features, class_num1000, init_weightFalse):super(VGG, self).__init__()self.features featuresself.classifier nn.Sequential(nn.Dropout(p0.5),nn.Linear(512*7*7, 2048),nn.ReLU(True),nn.Dropout(p0.5),nn.Linear(2048, 2048),nn.ReLU(True),nn.Linear(2048, class_num))if init_weight:self._initialize_weights()def forword(self, x):x self.features(x)x torch.flatten(x, strat_dim1)x self.classifier(x)return xdef _initialize_weights(self):for m in self.modules(): # 遍历模块中的每一个子模块if isinstance(m, nn.Conv2d):nn.init.xavier_uniform_(m.weight)if m.bias is not None:nn.init.constant_(m.bias, 0)elif isinstance(m, nn.Linear):nn.init.xavier_uniform_(m.weight)nn.init.constant_(m.bias, 0)def make_features(cfg: list):layers []in_channels 3for v in cfg:if v M:layers [nn.MaxPool2d(kernel_size2, stride2)]else:conv2d nn.Conv2d(in_channels, v, kernel_size3, padding1)layers [conv2d, nn.ReLU(True)]in_channels vreturn nn.Sequential(*layers)cfgs {vgg11: [64, M, 128, M, 256, 256, M, 512, 512, M, 512, 512, M],vgg13: [64, 64, M, 128, 128, M, 256, 256, M, 512, 512, M, 512, 512, M],vgg16: [64, 64, M, 128, 128, M, 256, 256, 256, M, 512, 512, 512, M, 512, 512, 512, M],vgg19: [64, 64, M, 128, 128, M, 256, 256, 256, 256, M, 512, 512, 512, 512, M, 512, 512, 512, 512, M],
}def vgg(model_namevgg16, **kwargs):try:cfg cfgs[model_name]except:print(waring: model number {} not in cfgs dict.format(model_name))model VGG(make_features(cfg), **kwargs)return modelvgg_model vgg(model_namevgg13) 全部代码与分开模块的顺序不同但不影响最终实现。
