关于使用 PyTorch 编程 cnn 的问题

如何解决关于使用 PyTorch 编程 cnn 的问题

我对 cnn 编程还很陌生，所以我有点迷茫。我正在尝试执行这部分代码，他们要求我实现一个完全连接的网络来对数字进行分类。它应该包含 1 个具有 20 个单元的隐藏层。我应该在隐藏层上使用 ReLU 激活函数。

class Network(nn.Module):
    def __init__(self):
        super(Network,self).__init__()
        self.fc1 = ... 
        
        self.fc2 = nn.Sequential(
            nn.Linear(500,10),nn.Softmax(dim = 1)
            )
        
    def forward(self,x):
        x = x.view(x.size(0),-1)
        x = self.fc1(x)
        x = self.fc2(x)
        return x

点是要填充的部分，我想到了这一行：

self.fc1 = nn.Linear(20,500)

但我不知道它是否正确。有人可以帮我吗？而且我完全不明白 Softmax 的功能是做什么的……所以如果有人知道的话。 非常感谢！！

钯。这是加载数据的代码：

batch_size = 64
trainset = datasets.MNIST('./data',train=True,download=True,transform=transforms.ToTensor())
train_loader = DataLoader(trainset,batch_size=batch_size,shuffle=True,num_workers=1)
testset = datasets.MNIST('./data',train=False,transform=transforms.ToTensor())
test_loader = DataLoader(testset,shuffle=False,num_workers=1)

解决方法

从模型给出的代码可以看出，隐藏层有500个单元。所以我假设你的意思是输入 20 个单位。有了这个假设，代码必须是：

self.fc1 = nn.Sequential(
    nn.Linear(20,500),nn.ReLU()
    )

进入问题的下一部分，鉴于您正在使用 MNIST 数据集并且您拥有 softmax 函数，我假设您正在尝试预测图像中存在的数量。 您的神经网络在每一层执行各种乘法和加法运算，最后，您在输出层得到 10 个数字。现在，您必须理解这 10 个数字才能决定图像中给出的 10 个数字中的哪一个。

一种方法是选择具有最大值的单位。例如，如果第 10 个单位在所有单位中具有最大值，则我们得出结论该数字为“9”。如果第 2 个单位具有最大值，则我们得出结论，该数字为“1”。

这很好，但更好的方法是将每个单位的值转换为图像中包含相应数字的概率，然后我们选择概率最高的数字。这具有一定的数学优势，有助于我们定义更好的损失函数。

Softmax 帮助我们将值转换为概率。在应用 softmax 时，所有值都在 (0,1) 范围内，并且它们总和为 1。

如果您对深度学习及其背后的数学感兴趣，我建议您查看 Andrew NG 的深度学习课程。

,

您没有提及数据的形状，因此我将假设 datasets.MNIST 返回的预期形状。

数据形状：torch.Size([64,1,28,28])

class Network(nn.Module):
    def __init__(self):
        super(Network,self).__init__()
        self.fc1 = nn.Sequential(
            nn.Linear(1*28*28,20),nn.ReLU())
        
        self.fc2 = nn.Sequential(
            nn.Linear(500,10),nn.Softmax(dim = 1))
        
    def forward(self,x):
        x = x.view(x.size(0),-1)
        x = self.fc1(x)
        x = self.fc2(x)
        return x

nn.Linear 的第一个参数是输入特征的大小，第二个参数是单位数。

对于 self.fc1，输入特征的大小是除批量大小之外的数据形状的乘积，即 1 * 28 * 28。根据您的帖子，第二个参数应该是 20（20 个单位）。

self.fc1 的输出（也是 self.fc2 的输入）的形状将是 (batch size,20)。

对于self.fc2，输入特征的大小将为20，而单位数（也是位数）为10。