2024-07-12
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
torch.nn इति गहनशिक्षणार्थं विशेषरूपेण निर्मितं मॉड्यूलम् अस्ति । torch.nn इत्यस्य मूलदत्तांशसंरचना Module अस्ति, या अमूर्तसंकल्पना अस्ति या तंत्रिकाजाले निश्चितस्तरस्य अथवा अनेकस्तरयुक्तस्य तंत्रिकाजालस्य प्रतिनिधित्वं कर्तुं शक्नोति वास्तविकप्रयोगे सर्वाधिकं सामान्यः उपायः nn.Module इत्यस्य उत्तराधिकारं प्राप्य स्वस्य network/layer इति लेखनं भवति । प्रथमं स्वस्य पूर्णतया सम्बद्धं लेयरं कार्यान्वितुं nn.Module इत्यस्य उपयोगः कथं भवति इति अवलोकयामः ।य=अक्ष+ब
import torch as t
import torch.nn as nn
class network(nn.Module):
def __init__(self, input, output):
super().__init__()
# 定义权重矩阵a，它是一个可训练的参数，形状为(input, output)
self.a = nn.Parameter(t.randn(input, output))
# 定义偏置向量b，它也是一个可训练的参数，形状为(output,)
# 注意：偏置向量的长度应与输出特征的维度相匹配
self.b = nn.Parameter(t.randn(output))
def forward(self, x):
"""
定义前向传播过程
参数:
x (torch.Tensor): 输入数据，形状应为(batch_size, input)
返回:
torch.Tensor: 输出数据，形状为(batch_size, output)
"""
# 首先，使用权重矩阵a对输入x进行线性变换
# [email protected]执行矩阵乘法，x的每一行与a相乘，结果形状为(batch_size, output)
x = x @ self.a
# 然后，将偏置向量b扩展（通过broadcasting）到与x相同的形状，并加到x上
# self.b.expand_as(x)将b的形状从(output,)扩展到(batch_size, output)
# x + self.b.expand_as(x)将偏置加到每个样本的输出上
x = x + self.b.expand_as(x)
# 返回变换后的输出
return x
a = network(4, 3)
# 创建输入数据，形状为(6, 4)，表示有6个样本，每个样本有4个特征
input = t.rand(6, 4)
# 通过网络前向传播得到输出
output = a(input)
# 打印输出，形状应为(6, 3)，表示有6个样本，每个样本的输出特征维度为3
print(output)
प्रतिबिम्बसम्बद्धस्तरयोः मुख्यतया कन्वोल्यूशनस्तराः (Conv), पूलिंग् लेयर् (Pool) इत्यादयः सन्ति ।वास्तविकप्रयोगे एतानि स्तराः एकआयामी (1D), द्विआयामी (2D) तथा त्रिविमीय (3D) इति विभक्तुं शक्यन्ते । . सामान्यतया प्रयुक्तस्य अग्रे विवर्तनस्य अतिरिक्तं परिवर्तनस्तरस्य विलोमविवर्तनम् (TransposeConv) इत्यादयः अपि भवन्ति । उदाहरणं अधः दीयते।
गहनशिक्षणे चित्रसंसाधनसम्बद्धा महत्त्वपूर्णा जालसंरचना कन्वोल्यूशनल् लेयर (Conv) अस्ति । कन्वोल्यूशनल न्यूरल नेटवर्क् इत्यस्य सारः कन्वोल्यूशनल् लेयर्स्, पूलिंग लेयर्स्, सक्रियण् लेयर्स् इत्यादीनां स्तरानाम् सुपरपोजिशनम् अस्ति अतः कन्वोल्यूशनल् लेयर इत्यस्य कार्यसिद्धान्तं अवगन्तुम् अत्यन्तं महत्त्वपूर्णम् अस्ति convolution operation.
# 导入PyTorch库
import torch
import torch.nn as nn
# 从torchvision.transforms导入ToTensor和ToPILImage，用于图像张量和PIL图像之间的转换
from torchvision.transforms import ToTensor, ToPILImage
# 从PIL（Python Imaging Library，Pillow是其一个分支）导入Image模块，用于处理图像文件
from PIL import Image
# 使用PIL的Image.open函数打开指定路径的图片文件，并通过.convert("L")将其转换为灰度图像（单通道）
img = Image.open("H:\PYTHON_Proj\handlearnpytorch\OIP-C.jpg").convert("L")
# 实例化ToTensor转换对象，用于将PIL图像转换为PyTorch张量
to_tensor = ToTensor()
# 实例化ToPILImage转换对象，用于将PyTorch张量转换回PIL图像
to_PIL = ToPILImage()
# 使用to_tensor将PIL图像转换为PyTorch张量，并通过.unsqueeze(0)在批次大小维度上增加一个维度，使其形状变为(1, 1, H, W)
img = to_tensor(img).unsqueeze(0)
# 创建一个3x3的卷积核（滤波器），初始时所有元素都被设置为-1/9，然后将中心元素设置为1
kernel = torch.ones(3, 3) / (-9.0)
kernel[1][1] = 1
# 创建一个Conv2d层，指定输入通道数为1（因为是灰度图像），输出通道数也为1，卷积核大小为3x3，步长为1，填充为1（保持输出尺寸与输入相同），且不使用偏置项
conv = nn.Conv2d(1, 1, 3, 1, 1, bias=False)
# 将之前定义的卷积核赋值给Conv2d层的权重，注意要调整形状以匹配Conv2d层的期望（out_channels, in_channels, kernel_size[0], kernel_size[1]）
conv.weight.data = kernel.reshape(1, 1, 3, 3)
# 对图像应用卷积操作，此时img是一个四维张量，Conv2d层会处理它并返回一个新的四维张量
img = conv(img)
# 使用to_PIL将卷积后的PyTorch张量转换回PIL图像，并通过.squeeze(0)移除批次大小维度
img = to_PIL(img.squeeze(0))
# 使用PIL的.show()方法显示图像
img.show()
पूलिंग् लेयर इत्येतत् विशेषं कन्वोल्यूशन लेयर इति गणयितुं शक्यते, यस्य उपयोगः मुख्यतया डाउनसैम्पलिंग् कृते भवति । पूलिंग् लेयर इत्यस्य शिक्षणीयमापदण्डाः नास्ति तथा च तस्य भारः नियतः अस्ति । torch.nn toolbox इत्यस्मिन् विभिन्नाः pooling layers इत्यस्य पैकेज्ड् भवन्ति । अस्य मुख्यप्रयोगाः निम्नलिखितरूपेण सारांशतः वक्तुं शक्यन्ते ।
सामान्यपूलिंगक्रियासु अन्तर्भवन्ति : १.
संक्षेपेण, पूलिंग् लेयरः कन्वोल्यूशनल् न्यूरल नेटवर्क् इत्यस्य अनिवार्यः भागः अस्ति यत् एतत् दत्तांशस्य स्थानिकं आयामं न्यूनीकृत्य, मुख्यविशेषताः निष्कास्य, ग्राहकक्षेत्रस्य विस्तारं कृत्वा, महत्त्वपूर्णं निवारयित्वा सम्पूर्णजालस्य शिक्षणक्षमतां कार्यक्षमतां च प्रदाति समर्थनम्।
# 导入PyTorch库
import torch
# 导入PyTorch的神经网络模块，用于构建和训练神经网络
import torch.nn as nn
# 从torchvision.transforms模块导入ToTensor和ToPILImage，这两个转换工具用于图像数据的预处理和后处理
from torchvision.transforms import ToTensor, ToPILImage
# 从PIL库导入Image模块，用于图像的打开、显示等操作
from PIL import Image
# 创建一个ToTensor的实例，用于将PIL图像或numpy.ndarray转换为FloatTensor，并归一化到[0.0, 1.0]
to_tensor = ToTensor()
# 创建一个ToPILImage的实例，用于将Tensor或ndarray转换为PIL图像
to_pil = ToPILImage()
# 使用PIL的Image.open方法打开指定路径的图像文件，并将其转换为灰度图像（'L'模式）
img = Image.open("H:\PYTHON_Proj\handlearnpytorch\OIP-C.jpg").convert('L')
# 使用PIL的show方法显示图像
img.show()
# 使用ToTensor转换将PIL图像转换为Tensor，并增加一个维度使其成为[1, H, W]形状，即增加一个批次维度
img = to_tensor(img).unsqueeze(0)
# 创建一个平均池化层实例，使用2x2的窗口大小和步长为2进行池化
pool = nn.AvgPool2d(2, 2)
# 对图像Tensor应用平均池化层，然后移除批次维度（squeeze(0)），使其变回[H', W']形状
img = pool(img).squeeze(0)
# 将Tensor转换回PIL图像以便显示
img = to_pil(img)
# 再次使用PIL的show方法显示经过池化处理的图像
img.show()
कन्वोल्यूशनल् लेयर्स् तथा पूलिंग लेयर् इत्येतयोः अतिरिक्तं गहनशिक्षणे निम्नलिखितस्तराः अपि सामान्यतया उपयुज्यन्ते ।
गहनशिक्षणे मापदण्डानां आरम्भः अतीव महत्त्वपूर्णः भवति उत्तमः आरम्भः मॉडलं शीघ्रं अभिसरणं कर्तुं शक्नोति तथा च उच्चस्तरं प्राप्तुं शक्नोति, यदा तु दुर्बलप्रारम्भीकरणेन मॉडलस्य शीघ्रं पतनं भवितुम् अर्हति PyTorch इत्यस्मिन् nn.Module इत्यस्य मॉड्यूल् पैरामीटर्स् अधिकं उचितं आरम्भरणनीतिं स्वीकुर्वन्ति, अतः सामान्यतया अस्माकं तस्य विचारस्य आवश्यकता नास्ति । अवश्यं, वयं प्रणाल्याः पूर्वनिर्धारितप्रारम्भस्य स्थाने custom initialization इत्यस्य उपयोगं अपि कर्तुं शक्नुमः । यदा वयं Parameter इत्यस्य उपयोगं कुर्मः तदा custom initialization इत्येतत् विशेषतया महत्त्वपूर्णं भवति यतोहि torch.Tensor() स्मृतौ एकं यादृच्छिकं संख्यां प्रत्यागच्छति, यस्य अधिकतमं मूल्यं भवितुं शक्यते, यत् वास्तविकप्रशिक्षणजाले ओवरफ्लो अथवा ओवरफ्लो इत्यस्य कारणं भविष्यति . PyTorch इत्यस्मिन् nn.init मॉड्यूल् विशेषरूपेण आरम्भार्थं विनिर्मितः मॉड्यूलः अस्ति, यः सामान्यतया प्रयुक्तानि आरम्भरणनीतयः कार्यान्वयति । यदि कश्चन आरंभरणनीतिः nn.init न प्रदाति तर्हि उपयोक्तारः स्वयमेव प्रत्यक्षतया आरम्भं कर्तुं अपि शक्नुवन्ति ।
import torch
from torch.nn import init
from torch import nn
# 创建一个线性层，其权重和偏置会被随机初始化（与torch.manual_seed无关，因为这是在调用torch.manual_seed之前发生的）
linear = nn.Linear(3, 4)
# 打印层创建时默认初始化的权重
print("默认初始化的权重:")
print(linear.weight)
# 设置随机数生成的种子，以确保接下来的随机数生成是可重复的
torch.manual_seed(2021)
# 使用Xavier正态分布重新初始化权重
# 这个初始化是受torch.manual_seed(2021)影响的
init.xavier_normal_(linear.weight)
# 打印重新初始化后的权重
print("Xavier正态分布初始化后的权重:")
print(linear.weight)
सः ३० वर्षाणाम् अनुसरणं प्रौयोगिक कौलिका समुह, सलग, जावा, जावास्च, php, css समुच्चय भाषा सुनाधारी, ph, css समुच्चय संस्कृत भाषा सुनावं, सरोकार विद्वान विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग विनियोग
