pytorch卷积网络示例和参数设置介绍_pytorch 设置某一层参数

以下是我建立的一个简单卷积网络用于识别Minist数据集：

class My_nn_s(nn.Module):
    def __init__(self):
        super(My_nn_s, self).__init__()
        self.model = nn.Sequential(nn.Conv2d(in_channels=1, out_channels=30, kernel_size=5, padding=0, stride=1),
                                   nn.ReLU(),
                                   nn.MaxPool2d(2, 2, 0),
                                   nn.Flatten(),
                                   nn.Linear(4320, 100),
                                   nn.ReLU(),
                                   nn.Linear(100, 10),
                                   )
 
    def forward(self, x):
        x = self.model(x)
        return x

网络的结构为：

1、卷积层

2、Relu层

3、Max池化层

4、仿射层

5、Relu层

6、仿射层

需要注意的是，在池化层到仿射层之间有一个Flatten用于将数据展平。

这里是分类问题，输出层一般为Softmanx层并选择交叉熵误差。在Pytorch中，这两个层被打包定义在损失函数中（nn.CrossEntropyLoss）。

下面分别对各层参数进行介绍：

首先是卷积层

由于Minist是黑白照片，没有颜色信息（RGB），输入数据的形状为（N，C，H, W）=（100,1,28,28）这里的C=1，即in_channels = 1， 输入通道数为1（只有一个数字表示灰度，如果是彩色照片则需要3个通道，3个数字分别表示RGB三个灰度）；一个batch_size为100（人为确定，卷积层中没有定义，而是在加载数据集时定义batch_size的大小 DataLoader(data_train, batch_size=100)），所以N=100；图片大小为28*28， 所以H=W=28。本例设置out_channels = 30，即卷积核的数量FN = 30，这个参数人为确定，为超参数，这个值会更新为卷积后结果的通道C=FN。卷积核为方阵，即kernel_size=5, 也可是设置为kernel_size=(5, 5), 填充pad=0， 步长为1。因此卷积核的形状（FN, C, FH, FW）=(30, 1, 5, 5)。

对于卷积后的输出形状OH和OW可用下面公式进行计算

OH =1+ (H + 2*pad - FH)/stride

OW = 1+(W + 2*pad - FW)/stride

带入得到OH=OW=1+(28-5)/1=24

所以经过第一层卷积计算后的形状为(N, C, OH, OW)=（100， 30， 24， 24）,如上所述，输出的C等于卷积核的数量FN

Relu层不改变形状，所以传递给后面Max池化的形状也是（100， 30， 24， 24）

Max池化层不改变通道数，但是会改变输出图片形状（OH,OW），计算公式为

OH = 1+(H + 2*pad - PH)/stride

OW = 1+(W + 2*pad - PW)/stride

这里PH（卷积核的高）=PW（卷积核的宽）=2, stride=2, pad=0

代入得到OH=OW=1+(24+2*0-2)/2=12

所以经过池化层后的输出形状为（100， 30， 12， 12）

nn.Flatten（）是把数据展平，得到输出形状为（N, C*OH*OW） = (100, 4320)

第一个仿射层的输入维度为上一层输出层维度即4320，而这里仿射层输出为人为确定，这里定为100。在经过第一个仿射层后的输出形状为（N, 100）=（100， 100）

Relu层不改变形状，所以传递给后面仿射层的形状也是（100，100）

对于最后一个仿射层，Minist是数据集是对手写10个数字的识别，因此输出为10，输入则为100