Pytorch 与 Tensorflow对比学习 第3周：进阶主题 Day 15-16: 卷积神经网络（CNN）
第3周：进阶主题
Day 15-16: 卷积神经网络（CNN）
在这两天中，我专注于学习卷积神经网络（CNN）的基础知识，包括卷积层和池化层的工作原理以及它们在图像处理中的应用。
卷积神经网络基础：
卷积层：学习了卷积层如何通过滤波器（或称为核）提取图像的特征。每个滤波器负责捕捉图像中的不同特征。
激活函数：理解了ReLU（Rectified Linear Unit）作为激活函数在CNN中的广泛应用，用于增加非线性。
池化层：了解了池化层（尤其是最大池化）如何帮助减少参数数量并防止过拟合，同时保留重要特征。
实践构建CNN：
设计并实现了一个简单的CNN模型，用于处理图像数据。
模型包括卷积层、激活函数、池化层以及全连接层来进行分类。
PyTorch实现：
在PyTorch中，我使用torch.nn模块定义了CNN的各个组件。
实现了一个包含卷积层、ReLU激活和最大池化层的简单网络。
下面是一个简单的CNN模型的PyTorch实现示例：
import torch
import torch.nn as nn
import torch.optim as optim
定义一个简单的CNN
class SimpleCNN(nn.Module):
def init(self):
super(SimpleCNN, self).init()
self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
self.relu = nn.ReLU()
self.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)
self.fc = nn.Linear(32 * 14 * 14, 10) # 假设输入图像大小为28x28
def forward(self, x):
x = self.conv1(x)
x = self.relu(x)
x = self.maxpool(x)
x = x.view(-1, 32 * 14 * 14) # 展平操作
x = self.fc(x)
return x
实例化模型、定义损失函数和优化器
model = SimpleCNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)、
TensorFlow实现
在TensorFlow中，我们将使用Keras API来构建相似的CNN结构。这个例子同样包含卷积层、ReLU激活函数、池化层和一个全连接层。
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
定义一个简单的CNN
model = Sequential([
Conv2D(32, kernel_size=(3, 3), strides=(1, 1), padding=‘same’, activation=‘relu’, input_shape=(28, 28, 1)),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Flatten(),
Dense(10, activation=‘softmax’)
])
编译模型
model.compile(optimizer=‘adam’,
loss=‘sparse_categorical_crossentropy’,
metrics=[‘accuracy’])
模型概要
model.summary()
在这个TensorFlow实现中，我们使用了Sequential模型来顺序地添加层。这种方法使得模型的构建过程更加直观和简洁。Conv2D和MaxPooling2D分别对应于PyTorch中的nn.Conv2d和nn.MaxPool2d。Flatten层用于将卷积层的输出展平，以便输入到全连接层（Dense层）。
通过对比PyTorch和TensorFlow的实现，可以看出两个框架在构建CNN方面的异同，这有助于更深入地理解这些概念，并在不同框架间转换思维方式。