人工智能学习07--pytorch12--AlexNet+花数据集+pytorch

AlexNet详解

这个网络可以看成上下两部分，因为作者使用了两块GPU进行并行运算。
为了便于理解，看其中一部分就行，因为这两部分是一样的。

1. Conv1
   
   
   （1+2）代表的是padding的大小，虽然图中没有给出，但是自己可以推理出来，也可以从源码里面发现。
   1：在特征矩阵左边加上一列0，在右边加上两列0，上面加上一列0，下面加上两列0 。

（括号弹幕大佬：
2p就等于两边padding的像素之和，不一定严格要求两边padding的像素个数一样
）

（
其实这里双gpu和单gpu卷积层和下采样一致，这是因为batch只是增加厚度，而做卷积只会影响高宽。只是经过全链接的线性层，需要batch数据交互，后面才会互相影响。
）

• MaxPool1
  Maxpooling下采样
  
  池化操作只会改变输出矩阵的高度和宽度，不会改变特征矩阵的深度

• Conv2
  

• MaxPool2
  

• Conv3
  

• Conv4
  

• Conv5
  

• Maxpool3
  

• 3个全连接层
  将Maxpooling得到的输出展平，与这三个层进行连接。
  最后一个层有1000个节点，因为论文用到的数据集有1000个类别。

花分类数据集

• 下载数据集
  五个类别
  下载地址https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz
  
  
• 训练集、测试集
  使用脚本将数据按照9:1的比例划分为训练集和验证集
  
  回到文件夹检查，发现划分成功
  

使用pytorch搭建并训练花分类网络

1、定义组件

padding[1,2]是左边1右边2

Sequential：之前每使用一个层结构，都要self.模块名称=……，如果每个模块都这么定义，那么工作量太大。
对网络层次比较多的网络，可以使用Sequential函数来精简代码

• Conv2d
  关于padding：
  ①整数：如1，则会在矩阵上下左右补一行/列0；
  ②tuple：
  
  ③：nn.ZeroPad2d 精确补0
  
  在卷积过程中，如果按照公式计算得到的不是整数：
  
• ReLU
  inplace：pytorch中增加计算量，但能减小内存容量的方法
• Maxpool1
  
• 代码的卷积核个数都弄成论文中的一半了
  
  下一步就是跟全连接层连接
• 三个全连接层
  drop使全连接层的节点按照一定比例失活
  
  init_weights为True则进入初始化权重函数
  self.module
  
  返回一个迭代器。这个迭代器会遍历网络中所有的模块–>则这个迭代器会遍历网络中每一个层结构：
  
  此处初始化权重的方法：
  
  pytorch里面自动使用上面这个初始化方法

2、定义正向传播

train

好，成功了

太感动了。

jason这样：

查看数据集：
把batch_size设置成4，因为是查看四张图片。把后面的shuffle随机打乱改成True，否则一直按顺序读取那就是同一文件夹中的同一种类。

但是报错了。

这样改之后好了，但是有新的错误

MatplotlibDeprecationWarning: Support for FigureCanvases without a required_interactive_framework attribute was deprecated in Matplotlib 3.6 and will be removed two minor releases later.

找了许多方法，最后发现是Matplotlib的后端问题。一开始输出后端：

按照网页说法：
https://blog.csdn.net/m0_37724919/article/details/128874187（不是我这个问题，但是先码住，说不定以后换到服务器会用到）

https://blog.csdn.net/Reginasong/article/details/128841357（解决问题）

打印出来的是这个：
module://backend_interagg
感觉不对，按照网上的，把后端改成了：

解决问题。

注释掉这段代码之后把之前的地方改回去，继续下一步。

validate

main

predict

遇到了这个问题：
RuntimeError: The size of tensor a (4) must match the size of tensor b (3) at non-singleton dimension 0

使用自己的数据集训练网络

修改网络参数
train：

predict：