深度学习案例教程 教案4.5.2 卷积神经网络搭建.docx

（p1）

本节课我们将开始使用pytorch搭建卷积神经网络，解决fashinMNIST分类问题

（p2）

我们来看具体的实现代码

这段代码定义了一个名为Net的神经网络模型，继承自nn.Module类

在__init__()函数中，

我们首先调用了nn.Module的构造函数__init__()，

并传入了self参数和其他参数，以初始化神经网络模型。

接着，我们定义了卷积层和全连接层的结构，

并将它们封装在nn.Sequential()中，

使得它们可以按顺序依次执行。

卷积层：我们采用了两层卷积层，

每层包括了四个操作：卷积操作、ReLU激活函数、最大池化层和Dropout层。

这四个操作的顺序可以任意调整，

但通常先进行卷积操作，然后再进行激活、池化和Dropout操作。

第一层卷积层的输入通道数为1，输出通道数为32，卷积核大小为5x5。

ReLU激活函数对卷积结果进行非线性变换，

最大池化层进行下采样，Dropout层随机丢弃一部分神经元，以避免过拟合。

第二层卷积层的输入通道数为32，输出通道数为64，卷积核大小为5x5，

其余操作与第一层卷积层相同。

这样，我们可以提取更高级别的特征，以更好地区分不同的物体类别。

总的来说，这个神经网络模型的设计旨在提高分类精度和模型的泛化能力。

它通过多层卷积和池化操作，逐渐提取图像的特征，

并使用全连接层进行分类。

在训练过程中，我们还采用了Dropout层来防止过拟合，从而提高模型的泛化能力。

（p3）

在神经网络模型中，全连接层也是非常重要的一部分。

全连接层通常用于将卷积层提取的特征进行分类或回归。

全连接层可以将前面的卷积层或池化层提取的特征进行展开，

并将特征映射到指定的输出维度上，以实现分类或回归任务。

在定义全连接层时，我们需要设置输入和输出的维度大小。

在我们的模型中，第一层全连接层的输入大小为64x4x4，

因为在前面的卷积层中，

我们设置了两次卷积操作，并经过两次最大池化操作，大小缩小为64x4x4，

因此在全连接层中，输入大小为64x4x4=1024，

经过一次线性变换和ReLU激活函数后，输出大小为512。

第二层全连接层的输入大小为512，输出大小为10，用于进行10分类任务。

在全连接层中，我们采用了ReLU激活函数，

可以对全连接结果进行非线性变换，

增强模型的非线性建模能力，并实现更好的分类效果。

在我们的模型中，第二层全连接层的输出大小为10，

表示将特征映射到10个类别的概率分布上，用于进行分类任务。

在后续模型的训练过程中，我们采用交叉熵损失函数对模型进行优化，

以最小化预测值与真实标签之间的差距。

（p4）

在神经网络模型中，forward()函数是定义模型前向传播过程的函数。

在forward()函数中，我们首先通过self.conv(x)进行卷积操作，

将输入的特征图与卷积核进行卷积运算，

得到一组输出特征图。

这一步操作可以提取出输入图像的特征信息，并用于后续的分类任务。

在卷积操作之后，我们需要将输出特征图展开成一维向量，

方便进行全连接操作。

在我们的模型中，我们使用了view()函数对特征图进行展开操作，

将其转换为一维的向量形式，以便进行全连接操作。

在展开操作之后，我们通过self.fc(x)进行全连接操作，

将特征向量映射到指定的输出维度上，生成最终的分类结果。

在这一步操作中，我们采用了两层全连接层，第一层包括了ReLU激活函数，

第二层输出10个类别的概率分布，用于进行分类任务。

在经过卷积和全连接操作之后，我们通过return语句返回模型的输出，即最终的分类结果。

在训练和测试过程中，我们可以根据模型的输出结果来计算损失函数和准确率，

并对模型进行优化和评估。

通过对forward()函数的设置和调整，我们可以构建出一个高效、准确和泛化能力强的神经网络模型，

实现对fashionmnist分类任务。

（p5）

编写完Net类之后，

我们来尝试定义一个具体的卷积模型

这段代码用于将模型部署到GPU上，以加速模型训练和推理。

具体来说，第一行代码创建了一个名为model的神经网络模型，

使用了之前定义的Net()类。

第二行代码将模型部署到GPU上，

使用了model.cuda()函数。

该函数会将模型的所有参数和计算图复制到GPU上，以利用GPU的并行计算能力。

第三行代码用于打印模型的结构信息。

可以通过print(model)函数来输出模型的详细信息，包括模型的各个层、参数数量和计算图等信息。

（p6）

运行代码后，我们就能看到具体的网络结构

关于模型搭建的内容我们就讲解到这里