Python实验十五

神经网络学习之卷积神经网络

第1关 卷积运算

1. 已知输入和卷积核，求下列图片中卷积运算的输出结果：
   

   [ [ 130 , 253 ] , [ 157 , 189 ] ]

2. 已知输入是10∗10的矩阵，卷积核高宽都为5，请问，结果的高和宽分别为多少？
   高为6，宽为6。

第2关 填充（Padding）

1. 已知输入形状为：10∗10，卷积核的形状为5∗5，求当需要输出形状为10∗10时，需要填充的大小为：
   2
2. 已知输入形状为：10∗10，卷积核的形状为5∗5，是Valid卷积，则需要填充的大小为：
   0

第3关 步幅（Stride）

1. 已知输入形状为：10∗10，卷积核的形状为5∗5，填充大小为1，求当需要输出形状为8∗8时，需要的步幅大小为：
   1
2. 已知输入的形状为n∗n，卷积核形状为3∗3，填充大小为2，步幅为1，输出大小为15∗15，请问，输入的形状为：
   13*13

第4关 多通道输入与多通道输出

1. 已知输入的形状为3∗24∗24，想要输出的形状为16∗24∗24，请问卷积核的形状应为：
   3 * 16 * 3 * 3，填充为1，步幅为1

第5关 池化层（Pooling）

1. 已知池化层的输入为3∗224∗224，池化层形状为2∗2，步幅为2，求输出结果的形状为：
   3∗112∗112

第6关 简单的卷积网络的搭建—— LeNet 模型

import torch
from torch import nn
class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        '''
        这里搭建卷积层，需要按顺序定义卷积层、
        激活函数、最大池化层、卷积层、激活函数、最大池化层，
        具体形状见测试说明
        '''
        self.conv = nn.Sequential(
            ########## Begin ##########
            nn.Conv2d(1, 6, 5),
            nn.Sigmoid(),
            nn.MaxPool2d(2, 2),
            nn.Conv2d(6, 16, 5),
            nn.Sigmoid(),
            nn.MaxPool2d(2, 2)
            ########## End ##########
        )
        '''
        这里搭建全连接层，需要按顺序定义全连接层、
        激活函数、全连接层、激活函数、全连接层，
        具体形状见测试说明
        '''
        self.fc = nn.Sequential(
            ########## Begin ##########
            nn.Linear(256, 120),
            nn.Sigmoid(),
            nn.Linear(120, 84),
            nn.Sigmoid(),
            nn.Linear(84, 10)
            ########## End ##########
        )
    def forward(self, img):
        '''
        这里需要定义前向计算
        '''
        ########## Begin ##########
        out = self.conv(img)
        out = out.view(out.size(0), -1)
        out = self.fc(out)
        return out
        ########## End ##########

第7关 卷积神经网络—— AlexNet 模型

import torch
from torch import nn
class AlexNet(nn.Module):
    def __init__(self):
        super(AlexNet, self).__init__()
        '''
        这里搭建卷积层，需要按顺序定义卷积层、
        激活函数、最大池化层、卷积层、激活函数、
        最大池化层、卷积层、激活函数、卷积层、
        激活函数、卷积层、激活函数、最大池化层，
        具体形状见测试说明
        '''
        self.conv = nn.Sequential(
            ########## Begin ##########
            nn.Conv2d(1, 96, kernel_size=(11, 11), stride=(4, 4)),  
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False),  
            nn.Conv2d(96, 256, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2)),  
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False),  
            nn.Conv2d(256, 384, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),  
            nn.ReLU(),  
            nn.Conv2d(384, 384, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),  
            nn.ReLU(),  
            nn.Conv2d(384, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),  
            nn.ReLU(),  
            nn.MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False),  
            ########## End ##########
        )
        '''
        这里搭建全连接层，需要按顺序定义
        全连接层、激活函数、丢弃法、
        全连接层、激活函数、丢弃法、全连接层，
        具体形状见测试说明
        '''
        self.fc = nn.Sequential(
            ########## Begin ##########
            nn.Linear(in_features=6400, out_features=4096, bias=True),
            nn.ReLU(),  
            nn.Dropout(p=0.5),  
            nn.Linear(in_features=4096, out_features=4096, bias=True),  
            nn.ReLU(),  
            nn.Dropout(p=0.5),  
            nn.Linear(in_features=4096, out_features=10, bias=True),  
            ########## End ##########
        )
    def forward(self, img):
        '''
        这里需要定义前向计算
        '''
        ########## Begin ##########
        feature = self.conv(img)     # 卷积层  
        output = self.fc(feature.view(img.shape[0], -1))     # 全连接层  
        return output
        ########## End ##########