如斯一番修改后，搭建的SK模型如下：

class Net(nn.Module): 
    def __init__(self): 
        super(Net, self).__init__() 
        self.conv1_1 = nn.Conv2d(1, 20, kernel_size=(3, 3), stride=(1, 1), padding=0) 
        self.conv1_2 = nn.Conv2d(20, 20, kernel_size=(3, 3), stride=(1, 1), padding=0) 
        self.conv2 = nn.Conv2d(20, 50, kernel_size=(3, 3), stride=(1, 1), padding=0) 
        self.fc1 = nn.Linear(5*5*50, 500) 
        self.fc2 = nn.Linear(500, 10) 
        self.bn1_1 = nn.BatchNorm2d(20) 
        self.bn1_2 = nn.BatchNorm2d(20) 
        self.bn2 = nn.BatchNorm2d(50) 
        self.bn3 = nn.BatchNorm1d(500) 
        self.drop = nn.Dropout(p=0.5) 
 
    def forward(self, x): 
        x = F.relu(self.bn1_1(self.conv1_1(x))) 
        x = F.relu(self.bn1_2(self.conv1_2(x))) 
        x = F.max_pool2d(x, 2) 
        x = self.conv2(x) 
        x = F.max_pool2d(self.bn2(x), 2) 
        x = x.view(-1, 5*5*50) 
        x = self.fc1(x) 
        x = F.relu(self.bn3(x)) 
        x = self.fc2(x) 
        return F.log_softmax(x) 

在20个epoch后，结不雅如下，

SK： Test set: Average loss: 0.0008, Accuracy: 9848/10000 (98.5%) 

测试集精确率获得了少许的进步。

这里应用2个3x3的卷积菏攀来代替大年夜的5x5卷积核，参数个数由5x5=25变为了2x3x3=18。实践注解，如许使得计算更快了，并且小的卷积层之间的ReLU也很有赞助。

VGG中就应用了这种办法。

问题F：Change Number of channels

经由过程将特点图大年夜小乘上一个倍数，再经由过程shell法度榜样履行，获得如下结不雅：

SK0.2：  97.7% 
SK0.5：  98.2% 
SK1：    98.5% 
SK1.5：  98.6% 
SK2：    98.5%  (max 98.7%) 

在特点图分别为4，10, 30, 40时，最终的精确度根本是往上晋升的。这在必定程度上解释，在没有达到过拟合前，增大年夜特点图的个数，即相当于提取了更多的特点，提取特点数的增长有助于精度的进步。

　　推荐阅读

　　Go语言如果按这样改进，能不能火过Java？

据媒体报道，为改进 Go 说话的开辟对象，Go 可能会获得本身的说话办事器，类似于 Microsoft 和 Red Hat 的说话办事器协定。消息是大年夜 Go 说话开辟者的评论辩论组中流出，所以这不是最>>>详细阅读

本文标题：利用Pytorch进行CNN详细剖析

地址：http://www.17bianji.com/lsqh/36741.html

 1/2    1