标签:__ 池化层 nn self torch MaxPool2d 使用 import data
MaxPool2d 的使用
此处我们仍然使用官网自带的数据集进行训练,最后将其可视化
加载数据集和可视化部分在此处不在介绍,若需要了解:
加载数据集:torch.utils.data中的DataLoader数据加载器(附代码)_硕大的蛋的博客-CSDN博客
tensorboard可视化工具:Tensorboard 可视化工具的使用-史上最简单(附代码)_硕大的蛋的博客-CSDN博客
第一步
导入相应的模块和包
import torch.nn as nn from torch.nn import MaxPool2d import torchvision from torch.utils.data import DataLoader from tensorboardX import SummaryWriter
第二步
加载数据
dataset = torchvision.datasets.CIFAR10('../BigData', train=False, transform=torchvision.transforms.ToTensor(), download=True) dataloader = DataLoader(dataset, batch_size=64, shuffle=True)
第三步
创建神经网络
class Gsw(nn.Module): def __init__(self): super(Gsw, self).__init__() self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False) def forward(self, x): out = self.maxpool1(x) return out
第四步
训练并将其可视化
gsw = Gsw() writer = SummaryWriter('LOGS/012log') for step, data in enumerate(dataloader): imgs, targets = data writer.add_images('input', imgs, step) output = gsw(imgs) writer.add_images('output', output, step)
完整代码
# 开发时间: 2021/11/22 16:26 import torch.nn as nn from torch.nn import MaxPool2d import torchvision from torch.utils.data import DataLoader from tensorboardX import SummaryWriter dataset = torchvision.datasets.CIFAR10('../BigData', train=False, transform=torchvision.transforms.ToTensor(), download=True) dataloader = DataLoader(dataset, batch_size=64, shuffle=True) class Gsw(nn.Module): def __init__(self): super(Gsw, self).__init__() self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False) def forward(self, x): out = self.maxpool1(x) return out gsw = Gsw() writer = SummaryWriter('LOGS/012log') for step, data in enumerate(dataloader): imgs, targets = data writer.add_images('input', imgs, step) output = gsw(imgs) writer.add_images('output', output, step)
标签:__,池化层,nn,self,torch,MaxPool2d,使用,import,data 来源: https://blog.csdn.net/qq_42404467/article/details/121476900
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。