Hardey知识库
Search K

Appearance

神经网络 ​

网络模型 前向传播，完成之后，的输出值，还要做一下损失计算，然后为了找到一个更好的模型，所以再反向传播（更新参数，找到性能更好的参数） ，通过损失来求 损失函数 梯度下降 网络训练过程

使用神经网络模型的流程： ​

  1. 定义网络结构，层数、每一层的宽度
  2. 前向传播，计算预测值
  3. 反向传播，利用误差优化网络参数 w 和 b
  4. 迭代 2、3 步骤，直到满足一定条件才结束

CNN 基础 （Convolutional Natural Networks）卷积神经网络 ​

卷积核 cnn 对图像分类特别重要，它的网络结构 网络结构

假设输入层输入的是一堆水果（图片），经过中途这些流水线，输出层则是一杯水果茶（分类概率）

例子 ​

python
# 假设 testModel 是一个自定义的模型类
model = testModel()

# 创建一个 5x5 的二维矩阵
input = torch.tensor([
  [3, 3, 2, 1, 0], 
  [2, 3, 2, 1, 0], 
  [3, 3, 2, 1, 0], 
  [4, 3, 2, 1, 0],  
  [1, 3, 2, 1, 0],  
]，dytype=torch.float)

# 使用 torch.reshape 将 input 张量的形状调整为 (1, 1, 5, 5)
# 我们想喂养到模型里面，但是它必须得4维才可以，所以通过reshape改变一下维度，前面两个1： (1, 1, 5, 5) 来占一下位置
input = torch.reshape(input, (1, 1, 5, 5))

# 将输入传递给模型进行前向传播，将分类概率进行一个输出 
output = model(input)

# 打印输出张量
print(output)

alt textalt text

python
import torch
import torch.nn as nn

# 定义一个二维卷积层
self.conv1 = nn.Conv2d(
    in_channels=1,      # 输入通道数：1表示单通道（灰度图像），因为这张图是5*5*1的，所以通道数是1
    out_channels=1,     # 输出通道数：1表示输出一个通道， 因为我们只用1个滤波器扫这张图片，所以这个输出通道数也是1
    kernel_size=3,     # 卷积核的大小：3x3的卷积核 ，  因为我们是用一个3*3的 来扫描左边的图，所以这个卷积核是3
    stride=1,           # 步长：默认为1， 每次只让它移动1格
    padding=0,          # 填充：0表示没有填充
    dilation=1,         # 膨胀：默认为1
    groups=1,           # 分组卷积：默认为1
    bias=False          # 是否使用偏置：False表示不使用偏置， 就是没有b
)
self.conv1.weight.data = torch.tensor([[[
  [0,1,2],
  [2,2,0],
  [0,1,2],
]]])

self.relu= torch.nn.ReLU() # 定义了激活层的非线性激活函数


self.pool = torch.nn.MaxPool2d( kernel_size=2,stride=2, padding=1) # 最大池化

self.flatten=torch.nn.Flatten() # 展平

# 打印卷积层的定义
print(conv_layer)

全连接层对特征进行整合，然后归一化，并对分类情况输出概率，在全连接层之前一般有一个扁平化操作

python 和 numpy 这些的关系 ​

python 是语言环境 用到的计算基本都是 numpy 用到的数据分析的事基本都是 pandas 用到图形化可视化的时候用 matplotlib 解决深度学习问题的时候用 pytorch 解决机器学习问题的时候可以用 scikit learn

可以放在gpu上面的有 ​

模型、损失函数、图片和标签

tips ​

梯度清0后，才能进行反向传播

卷积神经网络的网站 ​

cnn-explainer

如何设计、实现并训练一个标注你的前馈神经网络？ ​

**

神经网络结构 ​

目前使用三层神经网络结构 tips：之所以叫隐藏层，是因为里面的过程太复杂，没法知道具体怎么运作的 alt text

重点讲解

  1. 神经网络的设计和实现
  2. 训练数据的准备和处理
  3. 训练过程的训练和测试流程

这个神经网络结构图展示了:

  1. 输入层(Input Layer): 接受原始数据,它包含多个输入节点
  2. 隐藏层(Hidden Layer): 提取和转换输入数据的特征，是处理和转换数据的中间层
  3. 输出层(Output Layer): 给出预测结果，是产生最终结果的层

每一层的节点都与下一层的所有节点相连,形成全连接网络。这种结构能够:

  • 接收输入数据(如图像像素)
  • 通过隐藏层进行特征提取和转换
  • 最终输出预测结果(如数字识别的结果)

神经网络的实现 ​

神经网络的设计思路 ​

alt text 设计处理一个处理图像的神经网络 需要首先明确输入的图像数据大小和格式， 我们处理的图片是2828像素的灰色通道图像， alt text 这样的图像包括了2828=784个像素点，我们要将它展平为1784的向量，然后再将这个向量输入到神经网络中 alt text 输入向量中的每一个x，都有一个神经元来接收，因此输入层要包含784个神经元 alt text 隐藏层用于特征提取，将输入的特征向量，处理为更高级的特征向量，因为这里的处理逻辑不复杂，所以将隐藏层的神经元个数设置为256 alt text 这样输入层和隐藏层之间就会有一个784256大小的线性层，它可以将784维的输入向量，转换为256维的输出向量， 该输出向量会继续向前传播到输出层

因为最终要将输入图像识别为0-9，10种可能得数字，因此输出层需要定义10个神经元，对应着这10种数字， 输入向量，经过隐藏层、输出层计算之后，就得到了10维的输出结果，这10维向量，就代表了10个数字的预测得分 alt text 为了继续的到10个数字的预测概率，还需要将输出层的输出，输入到softmax层，softmax层，会将10维的向量，转换为10个概率值，P0到P9，每个概率值都对应一个数字，也就是输入图片是某一个数字的可能性 alt text

我们基于这个思路，实现pytorch代码 ​

alt text

训练数据的准备和处理 ​

  1. 准备训练集、测试集
  2. 完成数据的准备后，实现数据的读取功能，

alt text 数据的处理包括三块内容，

    1. 第一步，需要实现图像的预处理pipeline：transform它包括了 将图像转为灰度图和转张量两个功能
    1. 第二步，使用ImageFolder函数，读取数据文件夹，构建数据集dataset
    1. 第三步，使用train_loader，实现小批量的数据读取，通过循环train_loader，来获取小批量数据

alt textalt text tips：打印出的data.shape为 torch.Size([64,1,28,28]),它表示了每组数据包括64个图像 ，每个图像有1个灰色通道，图像的尺寸为28*28， 打印出的图像的标签label，可以看到64个图片对应的数字，其中保存的数字是0到9，对应了10个数字

模型的训练和测试 ​

  1. 前半部分是图像数据的输入，包括：图像的预处理、构建数据集、小批量数据读入 alt text
  2. 使用pytorch训练模型时，需要创建三个对象
      1. 模型本身model，就是我们设计的神经网络
      1. 优化器optimizer，优化模型中的参数,初学的时候使用Adam就可以了
      1. 损失函数criterion，分类问题，使用交叉熵损失误差 alt text
  3. 进入模型的循环迭代 内层循环使用5个步骤，这是使用pytorch框架训练模型的定式，初学的时候，先记住就可以了
    1. 计算神经网络的前向传播结果
    1. 计算output和标签label之间的损失loss
    1. 使用backward计算梯度
    1. 使用optimizer。step更新参数
    1. 将梯度清零 alt text

模型的测试 ​

alt textalt text