卷积神经网络(CNN)与深度卷积神经网络(DCNN)[通俗易懂]

卷积神经网络(CNN)与深度卷积神经网络(DCNN)[通俗易懂]作为小白,看到DCNN,一直想知道与CNN的区别,也没找到明确的说法,以下是自己的一点想法,欢迎指正!目录一、CNN与DCNN二、基于pytorch的实现1.LeNet-52.AlexNet一、CNN与DCNN卷积神经网络,如:LeNet深度卷积神经网络,如:AlexNetAlexNet与LeNet结构类似,但使用了更多的卷积层和更大的参数空间来拟合大规模数据集ImageNet。卷积神经网络就是含卷积层的网络。AlexNet是浅层神经网络和深度神经网络的分界..

作为小白,看到DCNN,一直想知道与CNN的区别,也没找到明确的说法,以下是自己的一点想法,欢迎指正!

 

目录

一、CNN与DCNN

二、基于pytorch的实现

1.LeNet-5

2.AlexNet


一、CNN与DCNN

卷积神经网络,如:LeNet

深度卷积神经网络,如:AlexNet

AlexNet是第一个现代深度卷积网络模型,首次使用了许多现代深度卷积网络的技术方法,比如,采用ReLu作为非线性激活函数,使用Dropout防止过拟合,是用数据增强提高模型准确率,使用GPU进行并行训练等。

AlexNet与LeNet结构类似,但使用了更多的卷积层和更大的参数空间来拟合大规模数据集ImageNet。

卷积神经网络就是含卷积层的网络。AlexNet是浅层神经网络和深度神经网络的分界线。

(选自书《动手学深度学习》、《神经网络与深度学习》)

二、基于pytorch的实现

参考卷积神经网络之 - Lenet

LeNet、AlexNet模型实现(pytorch)

1.LeNet-5:

卷积神经网络(CNN)与深度卷积神经网络(DCNN)[通俗易懂]

来自《神经网络与深度学习》

Input -> conv1 (6) -> pool1 -> conv2 (16) -> pool2 -> fc3 (120) -> fc4 (84) -> fc5 (10) -> softmax

代码实现与原文存在一定差异

import torch
import torch.nn as nn
import torch.nn.functional as func

class LeNet5(nn.Module):
    def __init__(self,num_classes, grayscale=False):
        """
              num_classes: 分类的数量
              grayscale:是否为灰度图
              """
        super(LeNet5, self).__init__()

        self.grayscale = grayscale
        self.num_classes = num_classes

        if self.grayscale:  # 可以适用单通道和三通道的图像
            in_channels = 1
        else:
            in_channels = 3

        self.conv1 =self.conv1 = nn.Conv2d(in_channels, 6, kernel_size=5)
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5)
        self.fc1 = nn.Linear(16*5*5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, num_classes)

    def forward(self, x):
        x = func.max_pool2d(self.conv1(x), 2)   # 原始的模型使用的是 平均池化
        x = func.max_pool2d(self.conv2(x), 2)
        x = x.view(x.size(0), -1)
        x = self.fc3(self.fc2(self.fc1(x)))
        x = func.softmax(x,dim=1)
        return x

#(最后模拟了一个输入,输出一个分类器运算后 10 个 softmax 概率值)
num_classes = 10  # 分类数目
grayscale = True  # 是否为灰度图
data = torch.rand((1, 1, 32, 32))
print("input data:\n", data, "\n")
model = LeNet5(num_classes, grayscale)
x= model(data)
print(x)
只听到从架构师办公室传来架构君的声音:
水满田畴稻叶齐,日光穿树晓烟低。有谁来对上联或下联?

卷积神经网络(CNN)与深度卷积神经网络(DCNN)[通俗易懂]

2.AlexNet

 

preview

卷积神经网络(CNN)与深度卷积神经网络(DCNN)[通俗易懂]

来自《神经网络与深度学习》

 

假设输入为32*32大小图像,代码实现与上文所述存在一定差异。

此代码由Java架构师必看网-架构君整理
import torch import torch.nn as nn class AlexNet(nn.Module): def __init__(self,num_classes, grayscale=False): super(AlexNet, self).__init__() self.grayscale = grayscale self.num_classes = num_classes if self.grayscale: # 可以适用单通道和三通道的图像 in_channels = 1 else: in_channels = 3 self.features = nn.Sequential( nn.Conv2d(in_channels, 96, kernel_size=11,padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2), nn.Conv2d(96, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2), nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2), ) self.classifier = nn.Sequential( nn.Dropout(), nn.Linear(256 * 3 * 3, 4096), nn.ReLU(inplace=True), nn.Dropout(), nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Linear(4096, 10), ) def forward(self, x): x = self.features(x) x = x.view(x.size(0), 256 * 3 * 3) x = self.classifier(x) return x #最后模拟了一个输入,输出一个分类器运算后的值 num_classes = 10 # 分类数目 grayscale = True # 是否为灰度图 data = torch.rand((1, 1, 32, 32)) print("input data:\n", data, "\n") model = AlexNet(num_classes,grayscale) x=model(data) print(x)

卷积神经网络(CNN)与深度卷积神经网络(DCNN)[通俗易懂]

架构君码字不易,如需转载,请注明出处:https://javajgs.com/archives/210405
0
   

发表评论