neural-network - 从经过训练的卷积网络进行预测
问题描述
这是我的网络,它创建训练数据,然后使用convolution
单个激活来训练这些数据:convolution
relu
train_dataset = []
mu, sigma = 0, 0.1 # mean and standard deviation
num_instances = 10
for i in range(num_instances) :
image = []
image_x = np.random.normal(mu, sigma, 1000).reshape((1 , 100, 10))
train_dataset.append(image_x)
mu, sigma = 100, 0.80 # mean and standard deviation
for i in range(num_instances) :
image = []
image_x = np.random.normal(mu, sigma, 1000).reshape((1 , 100, 10))
train_dataset.append(image_x)
labels_1 = [1 for i in range(num_instances)]
labels_0 = [0 for i in range(num_instances)]
labels = labels_1 + labels_0
print(labels)
x2 = torch.tensor(train_dataset).float()
y2 = torch.tensor(labels).long()
my_train2 = data_utils.TensorDataset(x2, y2)
train_loader2 = data_utils.DataLoader(my_train2, batch_size=batch_size_value, shuffle=False)
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
# Device configuration
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
# device = 'cpu'
# Hyper parameters
num_epochs = 50
num_classes = 2
batch_size = 5
learning_rate = 0.001
# Convolutional neural network (two convolutional layers)
class ConvNet(nn.Module):
def __init__(self, num_classes=1):
super(ConvNet, self).__init__()
self.layer1 = nn.Sequential(
nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),
nn.BatchNorm2d(16),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2))
self.layer2 = nn.Sequential(
nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),
nn.BatchNorm2d(32),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2))
self.fc = nn.Linear(32*25*2, num_classes)
def forward(self, x):
out = self.layer1(x)
out = self.layer2(out)
out = out.reshape(out.size(0), -1)
out = self.fc(out)
return out
model = ConvNet(num_classes).to(device)
# Loss and optimizer
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
# Train the model
total_step = len(train_loader2)
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(train_loader2):
images = images.to(device)
labels = labels.to(device)
# Forward pass
outputs = model(images)
loss = criterion(outputs, labels)
# Backward and optimize
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (i % 10) == 0:
print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
.format(epoch+1, num_epochs, i+1, total_step, loss.item()))
为了做出一个单一的预测,我使用:
model(x2[10].unsqueeze_(0).cuda())
哪个输出:
tensor([[ 4.4880, -4.3128]], device='cuda:0')
这不应该返回预测的形状 (100,10) 的图像张量吗?
更新:为了执行预测,我使用:
torch.argmax(model(x2[2].unsqueeze_(0).cuda()), dim=1)
源代码:https ://discuss.pytorch.org/t/argmax-with-pytorch/1528/11
torch.argmax
在这种情况下,返回使预测最大化的值的位置。
解决方案
正如Koustav所指出的,您的网络不是“完全卷积的”:尽管您有nn.Conv2d
两层,但顶部仍然有一个“完全连接”(aka nn.Linear
)层,它仅输出二维(num_classes
)输出张量。
更具体地说,您的网络需要 1x100x10 输入(单通道,100 x 10 像素图像)。
在self.layer1
你有一个 16x50x5 张量(来自卷积的 16 个通道,最大池化层减少了空间维度)之后。
在self.layer2
你有一个 32x25x2 张量(来自卷积的 32 个通道,空间维度被另一个最大池化层减少)之后。
最后,您的全连接self.fc
nn.Linear
层采用整个维度的输入张量并从整个输入中32*25*2
产生输出。num_classes
推荐阅读
- xaml - Xamarin 表单中的导航问题
- laravel - 如何在 Lumen 中将文件上传到 AWS s3
- cuda - PTX 是否真的有 64 位 warp shuffle 指令?
- opencv - 如何将垂直线的表格图像拆分为三个图像?
- c - 我应该教 C89、C18 还是其他东西?
- php - 当我尝试命令 composer global require "laravel/installer" 时,这个错误在我的终端上意味着什么?
- powerbi - 现在可以在 DAX 中使用 ARIMA 模型进行预测吗?
- python - 找到包含给定坐标的多边形并找到多边形的坐标(python opencv)
- flutter - 如何在 Flutter 中的 EditText 上更改气泡的颜色(光标下)
- python - 字符字段相关 KeyError 'work_location'