Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
Dive-into-DL-PyTorch
提交
447ebeaf
D
Dive-into-DL-PyTorch
项目概览
OpenDocCN
/
Dive-into-DL-PyTorch
通知
9
Star
2
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
Dive-into-DL-PyTorch
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
447ebeaf
编写于
3月 23, 2019
作者:
S
ShusenTang
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
update 5.8
上级
636b1966
变更
2
隐藏空白更改
内联
并排
Showing
2 changed file
with
21 addition
and
2 deletion
+21
-2
code/d2lzh_pytorch/utils.py
code/d2lzh_pytorch/utils.py
+12
-0
docs/chapter05_CNN/5.8_nin.md
docs/chapter05_CNN/5.8_nin.md
+9
-2
未找到文件。
code/d2lzh_pytorch/utils.py
浏览文件 @
447ebeaf
...
...
@@ -10,6 +10,8 @@ import zipfile
from
IPython
import
display
from
matplotlib
import
pyplot
as
plt
import
torch
from
torch
import
nn
import
torch.nn.functional
as
F
import
torchvision
import
torchvision.transforms
as
transforms
# import mxnet as mx
...
...
@@ -258,3 +260,13 @@ def load_data_fashion_mnist(batch_size, resize=None, root='~/Datasets/FashionMNI
############################# 5.8 ##############################
class
GlobalAvgPool2d
(
nn
.
Module
):
# 全局平均池化层可通过将池化窗口形状设置成输入的高和宽实现
def
__init__
(
self
):
super
(
GlobalAvgPool2d
,
self
).
__init__
()
def
forward
(
self
,
x
):
return
F
.
avg_pool2d
(
x
,
kernel_size
=
x
.
size
()[
2
:])
docs/chapter05_CNN/5.8_nin.md
浏览文件 @
447ebeaf
...
...
@@ -36,6 +36,14 @@ NiN是在AlexNet问世不久后提出的。它们的卷积层设定有类似之
除使用NiN块以外,NiN还有一个设计与AlexNet显著不同:NiN去掉了AlexNet最后的3个全连接层,取而代之地,NiN使用了输出通道数等于标签类别数的NiN块,然后使用全局平均池化层对每个通道中所有元素求平均并直接用于分类。这里的全局平均池化层即窗口形状等于输入空间维形状的平均池化层。NiN的这个设计的好处是可以显著减小模型参数尺寸,从而缓解过拟合。然而,该设计有时会造成获得有效模型的训练时间的增加。
```
python
# 已保存在d2lzh_pytorch
class
GlobalAvgPool2d
(
nn
.
Module
):
# 全局平均池化层可通过将池化窗口形状设置成输入的高和宽实现
def
__init__
(
self
):
super
(
GlobalAvgPool2d
,
self
).
__init__
()
def
forward
(
self
,
x
):
return
F
.
avg_pool2d
(
x
,
kernel_size
=
x
.
size
()[
2
:])
net
=
nn
.
Sequential
(
nin_block
(
1
,
96
,
kernel_size
=
11
,
stride
=
4
,
padding
=
0
),
nn
.
MaxPool2d
(
kernel_size
=
3
,
stride
=
2
),
...
...
@@ -46,8 +54,7 @@ net = nn.Sequential(
nn
.
Dropout
(
0.5
),
# 标签类别数是10
nin_block
(
384
,
10
,
kernel_size
=
3
,
stride
=
1
,
padding
=
1
),
# 全局平均池化层可通过将窗口形状设置成输入的高和宽实现
nn
.
AvgPool2d
(
kernel_size
=
5
),
GlobalAvgPool2d
(),
# 将四维的输出转成二维的输出,其形状为(批量大小, 10)
d2l
.
FlattenLayer
())
```
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录