【Pytorch】常用函数功能介绍和注意事项_torch.max(out,1)

【持续更新中…】

数据预处理

Variable

from torch.autograd import Variable 
1

作用：自动微分变量，用于构建计算图

网络层定义

torch.nn.BatchNorm2d()

设尺寸为N*C*H*W，其中N代表batchsize，C表示通道数（例如RGB三通道），H，W分别表示feature map的宽高。

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

• num_features：通道数，例如RGB为3
• eps：一个加至分母的参数，为提高计算稳定性
• momentum：运行中调整均值、方差的估计参数
• affine：当设为true时，给定可以学习的系数矩阵\gammaγ和 \beta

torch.nn.Linear()

torch.nn.Linear(in_features: int, out_features: int, bias: bool = True, device=None, dtype=None)
1

• in_features:输入的二维张量的大小
• out_features:输出的二维张量的大小

torch.nn.Sequential()

 self.conv4 = torch.nn.Sequential(
            torch.nn.Conv2d(64, 64, 2, 2, 0),  
            torch.nn.BatchNorm2d(64), 
            torch.nn.ReLU()#ReLU激活函数) 
        self.mlp1 = torch.nn.Linear(2 * 2 * 64, 100)#torch.nn.Linear定义全连接层,conv4为2*2*64
        self.mlp2 = torch.nn.Linear(100, 10) 
1
2
3
4
5
6

使用损失函数和优化器的步骤

1. 获取损失：loss=loss_fuction(out,batch_y)
2. 清空上一步残余更新参数：opt.zero_grad()
3. 误差反向传播：loss.backward()
4. 将参数更新值施加到net的parmeter上：opt.step()

模型相关参数配置（使用argparse.ArgumentParser）

简介

argparse是一个Python模块：命令行选项、参数和子命令解析器。

使用方法

1. 创建解析器

parser = argparse.ArgumentParser(description='Process some integers.')
1

2. 添加参数

parser.add_argument('integers', metavar='N', type=int, nargs='+', help='an integer for the accumulator')
1

例如在神经网络训练过程中，我们需要定义训练的初始学习率，并设置默认值为0.00001，可通过以下代码实现：

parser.add_argument('--learning-rate', '-l', metavar='LR', type=float, default=1e-5,
                        help='Learning rate', dest='lr')
1
2

3. 解析参数

args = parser.parse_args()
1

模型输出

torch.max(out,1)[1]
output = torch.max(input, dim)

• input是softmax函数输出的一个tensor
• dim是max函数索引的维度0/1，0是每列最大值，1是每行最大值

函数会返回两个tensor，第一个tensor是每行的最大值；第二个tensor是每行最大值的索引。
（PS：第一个tensor value是不需要的，我们仅提取第二个tensor并将数据转换为array格式）
torch.max(out,1)[1].numpy()

网络参数查看

model_dict=torch.load('D:\JetBrains\pythonProject\CMRI\CNN\CNN_Log')
parameters=list(model_dict.named_parameters())
1
2

补充知识点

downsampling（向下采样） & upsampling

down-sampling通过舍弃一些元素，实现图像的缩放

在CNN中，汇合层（Pooling layer）通过max pooling 或average pooling等操作，使汇合后结果中一个元素对应于原输入数据的一个子区域，因此汇合操作实际上就是一种”降采样“操作

up-sampling 可实现图像的放大或分辨率的优化等

常用方法：

• Bilinear（双线性插值法）：只需要设置好固定的参数值即可，设置的参数就是中心值需要乘以的系数。
• Deconvolution（反卷积）：参考https://github.com/vdumoulin/conv_arithmetic
• Unpooling（反池化）：在反池化过程中，将一个元素根据kernel进行放大，根据之前的坐标将元素填写进去，其他位置补0