【项目实战】CNN手写识别

由于只需要修改之前基于ANN模型代码的模型设计部分所以篇幅较短，简单的加点注释给自己查看即可

视频链接：https://www.bilibili.com/video/BV1Y7411d7Ys?p=10

class Net(torch.nn.Module):

    def __init__(self):

        super(Net, self).__init__()

        self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)    #卷积层传递

        self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)

        self.pooling = torch.nn.MaxPool2d(2)                  #池化层

        self.fc = torch.nn.Linear(320, 10)

    def forward(self, x):

        # flatten data from (n,1,28,28) to (n, 784)

        batch_size = x.size(0)

        x = F.relu(self.pooling(self.conv1(x)))

        x = F.relu(self.pooling(self.conv2(x)))

        x = x.view(batch_size, -1)  # -1 此处自动算出的是320

        x = self.fc(x)

        return x

留下来的作业是自己修改卷积层，这是我的代码

class Net(torch.nn.Module):

    def __init__(self):

        super(Net, self).__init__()

        self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)

        self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)

        self.conv3 = torch.nn.Conv2d(20, 30, kernel_size=2)

        self.pooling = torch.nn.MaxPool2d(2)

        self.fc1 = torch.nn.Linear(30, 20)

        self.fc2 = torch.nn.Linear(20, 10)

    def forward(self, x):

        batch_size = x.size(0)

        x = F.relu(self.pooling(self.conv1(x)))

        x = F.relu(self.pooling(self.conv2(x)))

        x = F.relu(self.pooling(self.conv3(x)))

        x = x.view(batch_size, -1)

        x = self.fc1(x)

        x = self.fc2(x)

        return x

这个作业完成过程让我理解了

self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)

这句代码的意思。他的意思是一层变成10层，卷积为5*5，所以在执行完

self.conv3 = torch.nn.Conv2d(20, 30, kernel_size=2)

这一步后，你就要知道，你传入20通道，输出是30通道，卷积层为2x2，这个时候你的通道数量只有30，而图像也变成1x1了（卷积导致），所以你的全连接层只有30往下降维

另外我用CPU和GPU 分别跑了一下这个任务

开头加入了

start = time.time()

程序结尾加入

end = time.time()

print("程序运行时间为：{}".format(end-start))

这样一来就可以看到分别在CPU和GPU的运行时间

CPU：226s GPU：148s

确实GPU快

巴特西

【项目实战】CNN手写识别

最新文章

热门文章