深度学习(十)——神经网络:非线性激活
一、Padding Layers简介
-
nn.ZeroPad2d:在输入的tensor数据类型周围用0进行填充
-
nn.ConstantPad2d:在输入的tensor数据类型周围用常数进行填充
这个函数的主要作用是对输入的图像进行填充,但里面所有功能都能用nn.Conv2d实现。
二、Non-linear Activations
非线性激活主要作用是为神经网络引入一些非线性特质
1. nn.ReLU介绍
class torch.nn.ReLU(inplace=False)
作用:
-
\(input\leq{0}\),\(output=0\)
-
\(input>0\),\(output=input\)
计算公式:
\[ReLU(x)=(x)^+=max(0,x)
\]
inplace参数:
-
inplace=True,则会自动替换输入时的变量参数。如:input=-1,ReLU(input,implace=True),那么输出后,input=output=0
-
inplace=True,则不替换输入时的变量参数。如:input=-1,ReLU(input,implace=True),那么输出后,input=-1,output=0
2. nn.Sigmoid介绍
class torch.nn.Sigmoid(*args, **kwargs)
计算公式:
\[Sigmiod(x)=\sigma(x)=\frac{1}{1+exp(-x)}
\]
三、代码栗子
1. nn.ReLU函数
import torch
import torchvision
from torch import nn
from torch.nn import ReLU,Sigmoid
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
input=torch.tensor([[1,-0.5],
[-1,3]])
output=torch.reshape(input,(-1,1,2,2))
#构建神经网络
class Demo(nn.Module):
def __init__(self):
super(Demo,self).__init__()
self.relu1=ReLU()
def forward(self,input):
output=self.relu1(input)
return output
demo=Demo()
output=demo(input)
print(output)
"""
[Run]
tensor([[1., 0.],
[0., 3.]])
"""
2. nn.Sigmoid函数
import torch
import torchvision
from torch import nn
from torch.nn import ReLU,Sigmoid
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
dataset=torchvision.datasets.CIFAR10("./dataset",train=False,download=True,transform=torchvision.transforms.ToTensor())
dataloder=DataLoader(dataset,batch_size=64)
class Demo1(nn.Module):
def __init__(self):
super(Demo1,self).__init__()
self.sigmoid=Sigmoid()
def forward(self,input):
output=self.sigmoid(input)
return output
demo1=Demo1()
writer=SummaryWriter("logs_sigmoid")
step=0
for data in dataloder:
imgs,targets=data
writer.add_images("input",imgs,global_step=step)
output=demo1(imgs)
writer.add_images("output",output,global_step=step)
step+=1
writer.close()
输出结果:
3. 非线性变换的目的
-
非线性变换的目的是为神经网络引入一些非线性特征,使其训练出一些符合各种曲线或各种特征的模型。
-
换句话来说,如果模型都是直线特征的话,它的泛化能力会不够好。