网站开发w亿玛酷1负责谷歌外链

目录

一、数据准备

二、创建神经网络模型

三、可视化最大池化效果

一、数据准备

首先，需要准备一个数据集来演示最大池化层的应用。在本例中，使用了CIFAR-10数据集，这是一个包含10个不同类别图像的数据集，用于分类任务。我们使用PyTorch的torchvision库来加载CIFAR-10数据集并进行必要的数据转换。

import torch
import torchvision
from torch.utils.data import DataLoader# 数据集准备
dataset = torchvision.datasets.CIFAR10("D:\\Python_Project\\pytorch\\dataset2", train=False, transform=torchvision.transforms.ToTensor(), download=True)# 使用DataLoader加载数据集，每批次包含64张图像
dataLoader = DataLoader(dataset, batch_size=64)

二、创建神经网络模型

接下来，创建一个简单的神经网络模型，其中包含一个卷积层和一个最大池化层。这个模型将帮助演示最大池化层的效果。首先定义一个Tudui类，该类继承了nn.Module，并在初始化方法中创建了一个卷积层和一个最大池化层。

import torch.nn as nn
from torch.nn import Conv2d
from torch.nn.functional import max_pool2dclass Tudui(nn.Module):def __init__(self):super(Tudui, self).__init()# 卷积层self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)# 最大池化层self.pool = nn.MaxPool2d(kernel_size=2, stride=2)def forward(self, x):x = self.conv1(x)x = self.pool(x)return xtudui = Tudui()
print(tudui)

上述代码中，定义了Tudui类，包括了一个卷积层和一个最大池化层。在forward方法中，数据首先经过卷积层，然后通过最大池化层，以减小图像的维度。

三、可视化最大池化效果

最大池化层有助于减小图像的维度，提取图像中的主要特征。接下来将使用TensorBoard来可视化最大池化的效果，以更好地理解它。首先，导入SummaryWriter类并创建一个SummaryWriter对象。

from torch.utils.tensorboard import SummaryWriterwriter = SummaryWriter("logs")

然后，遍历数据集，对每个批次的图像应用卷积和最大池化操作，并将卷积前后的图像写入TensorBoard。

step = 0
for data in dataLoader:imgs, targets = data# 卷积和最大池化操作output = tudui(imgs)# 将输入图像写入TensorBoardwriter.add_images("input", imgs, step)# 由于TensorBoard不能直接显示多通道图像，我们需要重定义输出图像的大小output = torch.reshape(output, (-1, 6, 15, 15))# 将卷积和最大池化后的图像写入TensorBoardwriter.add_images("output", output, step)step += 1writer.close()

在上述代码中，使用writer.add_images将输入和输出的图像写入TensorBoard，并使用torch.reshape来重定义输出图像的大小，以适应TensorBoard的显示要求。

运行上述代码后，将在TensorBoard中看到卷积和最大池化的效果。最大池化层有助于提取图像中的关键信息，减小图像维度，并提高模型的计算效率。

完整代码如下：

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
#数据集准备
dataset = torchvision.datasets.CIFAR10("D:\\Python_Project\\pytorch\\dataset2",train=False,transform=torchvision.transforms.ToTensor(),download=True)
#使用dataloader加载数据集，批次数为64
dataLoader = DataLoader(dataset,batch_size=64)class Tudui(nn.Module):def __init__(self):super(Tudui,self).__init__()# 该神经网络调用conv2d进行一层卷积，输入通道为3层（彩色图像为3通道），卷积核大小为3*3，输出通道为6，设置步长为1，padding为0，不进行填充。self.conv1 = Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)def forward(self,x):x = self.conv1(x)return xtudui = Tudui()
print(tudui)# 生成日志
writer = SummaryWriter("logs")step = 0
# 输出卷积前的图片大小和卷积后的图片大小
for data in dataLoader:imgs,targets = data# 卷积操作output = tudui(imgs)print(imgs.shape)print(output.shape)writer.add_images("input",imgs,step)"""注意：使用tensorboard输出时需要重新定义图片大小对于输入的图片集imgs来说，tensor.size([64,3,32,32])，即一批次为64张，一张图片为三个通道，大小为32*32对于经过卷积后输出的图片集output来说，tensor.size([64,6,30,30])，通道数变成了6，tensorboard不知道怎么显示通道数为6的图片，所以如果直接输出会报错解决方案：使用reshape方法对outputs进行重定义，把通道数改成3，如果不知道批次数大小，可以使用-1代替，程序会自动匹配批次大小。"""#重定义输出图片的大小output = torch.reshape(output,(-1,3,30,30))# 显示输出的图片writer.add_images("output",output,step)step = step + 1
writer.close()

参考资料：

视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】