Pytorch实现经典模型AlexNet模型

简介: Pytorch实现经典模型AlexNet模型

一:Pytorch实现经典模型AlexNet模型

要求:

使用pytorch实现经典的分类模型AlexNet,这里主要因为没有GPU环境,而其完整参数达到了6000万个,所以如ppt要求,在该模型的基础架构上,修改卷积核的大小以及卷积操作的步长等来模拟实现。

实验设计:

7.png


8.png

实验过程:

注:这里主要介绍一下AlexNet模型的定义,其中因为参数量过大,以及图片的输入大小变为了64*64,所以对于每层的卷积核大小以及步长等做了相关变化。

1.1AlexNet模型定义

1.  # 定义神经网络    
2.  class ALexNet(nn.Module):  # 训练 ALexNet  
3.      ''''' 
4.      五层卷积,三层全连接  (输入图片大小是 C x H x W  ---> 3 * 64 * 64) 
5.      这里因为图片大小是64*64,所以这里重新改变了各层的步长、卷积核大小等 
6.      '''   
7.      def __init__(self):  
8.          super(ALexNet, self).__init__()  
9.          # 五个卷积层  
10.         self.conv1 = nn.Sequential(  # 输入 3 * 64 * 64  输出 6*16*16   
11.             nn.Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=1),   # (64-3+2)/1+1 = 64  
12.             nn.ReLU(),  
13.             nn.MaxPool2d(kernel_size=4, stride=4, padding=0)  # (64-4)/4+1 = 16   
14.         )  
15.         self.conv2 = nn.Sequential(  # 输入 6 * 16 * 16 输出 16*8*8  
16.             nn.Conv2d(in_channels=6, out_channels=16, kernel_size=3, stride=1, padding=1),  # (16-3+2)/1+1 = 16   
17.             nn.ReLU(),  
18.             nn.MaxPool2d(kernel_size=2, stride=2, padding=0)  # (16-2)/2+1 = 8  
19.         )  
20.         self.conv3 = nn.Sequential(  # 输入 16 * 8 * 8  输出 32 * 8 * 8  
21.             nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1), # (8-3+2)/1+1 = 8  
22.             nn.ReLU()  
23.         )  
24.         self.conv4 = nn.Sequential(  # 输入 32 * 8 * 8  输出 64 * 8 * 8  
25.             nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1), # (8-3+2)/1+1 = 8  
26.             nn.ReLU()  
27.         )  
28.         self.conv5 = nn.Sequential(  # 输入 64 * 8 * 8 输出 128 * 1 * 1  
29.             nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1),# (8-3+2)/1+1 = 8  
30.             nn.ReLU(),  
31.             nn.MaxPool2d(kernel_size=4, stride=4, padding=0)  # (8-4)/4 + 1 = 2   
32.         )                             
33.         # 最后一层卷积层,输出 128 * 2 * 2   
34.         # 全连接层  
35.         self.dense = nn.Sequential(  
36.             nn.Linear(512, 120),  
37.             nn.ReLU(),  
38.             nn.Linear(120, 84),  
39.             nn.ReLU(),  
40.             nn.Linear(84, 3)  
41.         )  
42.   
43.     def forward(self, x):  
44.         x = self.conv1(x)  
45.         x = self.conv2(x)  
46.         x = self.conv3(x)  
47.         x = self.conv4(x)  
48.         x = self.conv5(x)  
49.         x = x.view(-1, 512)  
50.         x = self.dense(x)  
51.         return x 

注:主要包括5层卷积层和3层全连接层,其卷积层的卷积核的大小、步长等。

目录
相关文章
|
13天前
|
机器学习/深度学习 数据采集 人工智能
PyTorch学习实战:AI从数学基础到模型优化全流程精解
本文系统讲解人工智能、机器学习与深度学习的层级关系,涵盖PyTorch环境配置、张量操作、数据预处理、神经网络基础及模型训练全流程,结合数学原理与代码实践,深入浅出地介绍激活函数、反向传播等核心概念,助力快速入门深度学习。
66 1
|
5月前
|
机器学习/深度学习 PyTorch API
PyTorch量化感知训练技术:模型压缩与高精度边缘部署实践
本文深入探讨神经网络模型量化技术,重点讲解训练后量化(PTQ)与量化感知训练(QAT)两种主流方法。PTQ通过校准数据集确定量化参数,快速实现模型压缩,但精度损失较大;QAT在训练中引入伪量化操作,使模型适应低精度环境,显著提升量化后性能。文章结合PyTorch实现细节,介绍Eager模式、FX图模式及PyTorch 2导出量化等工具,并分享大语言模型Int4/Int8混合精度实践。最后总结量化最佳策略,包括逐通道量化、混合精度设置及目标硬件适配,助力高效部署深度学习模型。
670 21
PyTorch量化感知训练技术:模型压缩与高精度边缘部署实践
|
13天前
|
机器学习/深度学习 存储 PyTorch
Neural ODE原理与PyTorch实现:深度学习模型的自适应深度调节
Neural ODE将神经网络与微分方程结合,用连续思维建模数据演化,突破传统离散层的限制,实现自适应深度与高效连续学习。
52 3
Neural ODE原理与PyTorch实现:深度学习模型的自适应深度调节
|
2月前
|
PyTorch 算法框架/工具 异构计算
PyTorch 2.0性能优化实战:4种常见代码错误严重拖慢模型
我们将深入探讨图中断(graph breaks)和多图问题对性能的负面影响,并分析PyTorch模型开发中应当避免的常见错误模式。
134 9
|
4月前
|
机器学习/深度学习 存储 PyTorch
PyTorch + MLFlow 实战:从零构建可追踪的深度学习模型训练系统
本文通过使用 Kaggle 数据集训练情感分析模型的实例,详细演示了如何将 PyTorch 与 MLFlow 进行深度集成,实现完整的实验跟踪、模型记录和结果可复现性管理。文章将系统性地介绍训练代码的核心组件,展示指标和工件的记录方法,并提供 MLFlow UI 的详细界面截图。
139 2
PyTorch + MLFlow 实战:从零构建可追踪的深度学习模型训练系统
|
3月前
|
机器学习/深度学习 数据可视化 PyTorch
Flow Matching生成模型:从理论基础到Pytorch代码实现
本文将系统阐述Flow Matching的完整实现过程,包括数学理论推导、模型架构设计、训练流程构建以及速度场学习等关键组件。通过本文的学习,读者将掌握Flow Matching的核心原理,获得一个完整的PyTorch实现,并对生成模型在噪声调度和分数函数之外的发展方向有更深入的理解。
1101 0
Flow Matching生成模型:从理论基础到Pytorch代码实现
|
4月前
|
机器学习/深度学习 PyTorch 算法框架/工具
提升模型泛化能力:PyTorch的L1、L2、ElasticNet正则化技术深度解析与代码实现
本文将深入探讨L1、L2和ElasticNet正则化技术,重点关注其在PyTorch框架中的具体实现。关于这些技术的理论基础,建议读者参考相关理论文献以获得更深入的理解。
108 4
提升模型泛化能力:PyTorch的L1、L2、ElasticNet正则化技术深度解析与代码实现
|
5月前
|
机器学习/深度学习 PyTorch 编译器
深入解析torch.compile:提升PyTorch模型性能、高效解决常见问题
PyTorch 2.0推出的`torch.compile`功能为深度学习模型带来了显著的性能优化能力。本文从实用角度出发,详细介绍了`torch.compile`的核心技巧与应用场景,涵盖模型复杂度评估、可编译组件分析、系统化调试策略及性能优化高级技巧等内容。通过解决图断裂、重编译频繁等问题,并结合分布式训练和NCCL通信优化,开发者可以有效提升日常开发效率与模型性能。文章为PyTorch用户提供了全面的指导,助力充分挖掘`torch.compile`的潜力。
495 17
|
5月前
|
机器学习/深度学习 搜索推荐 PyTorch
基于昇腾用PyTorch实现CTR模型DIN(Deep interest Netwok)网络
本文详细讲解了如何在昇腾平台上使用PyTorch训练推荐系统中的经典模型DIN(Deep Interest Network)。主要内容包括:DIN网络的创新点与架构剖析、Activation Unit和Attention模块的实现、Amazon-book数据集的介绍与预处理、模型训练过程定义及性能评估。通过实战演示,利用Amazon-book数据集训练DIN模型,最终评估其点击率预测性能。文中还提供了代码示例,帮助读者更好地理解每个步骤的实现细节。
|
6月前
|
存储 自然语言处理 PyTorch
从零开始用Pytorch实现LLaMA 4的混合专家(MoE)模型
近期发布的LLaMA 4模型引入混合专家(MoE)架构,以提升效率与性能。尽管社区对其实际表现存在讨论,但MoE作为重要设计范式再次受到关注。本文通过Pytorch从零实现简化版LLaMA 4 MoE模型,涵盖数据准备、分词、模型构建(含词元嵌入、RoPE、RMSNorm、多头注意力及MoE层)到训练与文本生成全流程。关键点包括MoE层实现(路由器、专家与共享专家)、RoPE处理位置信息及RMSNorm归一化。虽规模小于实际LLaMA 4,但清晰展示MoE核心机制:动态路由与稀疏激活专家,在控制计算成本的同时提升性能。完整代码见链接,基于FareedKhan-dev的Github代码修改而成。
174 9
从零开始用Pytorch实现LLaMA 4的混合专家(MoE)模型

热门文章

最新文章

推荐镜像

更多