Neural network 从经过训练的卷积网络进行预测

这是我的

卷积

网络，它创建训练数据，然后通过

relu

激活使用单个

卷积

对该数据进行训练：

train_dataset = []
mu, sigma = 0, 0.1 # mean and standard deviation
num_instances = 10

for i in range(num_instances) :
    image = []
    image_x = np.random.normal(mu, sigma, 1000).reshape((1 , 100, 10))
    train_dataset.append(image_x)

mu, sigma = 100, 0.80 # mean and standard deviation
for i in range(num_instances) :
    image = []
    image_x = np.random.normal(mu, sigma, 1000).reshape((1 , 100, 10))
    train_dataset.append(image_x)

labels_1 = [1 for i in range(num_instances)]
labels_0 = [0 for i in range(num_instances)]

labels = labels_1 + labels_0

print(labels)

x2 = torch.tensor(train_dataset).float()
y2 = torch.tensor(labels).long()

my_train2 = data_utils.TensorDataset(x2, y2)
train_loader2 = data_utils.DataLoader(my_train2, batch_size=batch_size_value, shuffle=False)


import torch 
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms


# Device configuration
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
# device = 'cpu'

# Hyper parameters
num_epochs = 50
num_classes = 2
batch_size = 5
learning_rate = 0.001

# Convolutional neural network (two convolutional layers)
class ConvNet(nn.Module):
    def __init__(self, num_classes=1):
        super(ConvNet, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm2d(16),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.layer2 = nn.Sequential(
            nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.fc = nn.Linear(32*25*2, num_classes)

    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(out)
        out = out.reshape(out.size(0), -1)
        out = self.fc(out)
        return out

model = ConvNet(num_classes).to(device)

# Loss and optimizer
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# Train the model
total_step = len(train_loader2)
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader2):
        images = images.to(device)
        labels = labels.to(device)

        # Forward pass
        outputs = model(images)
        loss = criterion(outputs, labels)

        # Backward and optimize
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if (i % 10) == 0:
            print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}' 
                   .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

要进行单个预测，我使用：

model(x2[10].unsqueeze_(0).cuda())

torch.argmax(model(x2[2].unsqueeze_(0).cuda()), dim=1) 

哪些产出：

tensor([[ 4.4880, -4.3128]], device='cuda:0')

这是否应该返回预测形状（100,10）的图像张量

更新：为了执行预测，我使用：

model(x2[10].unsqueeze_(0).cuda())

torch.argmax(model(x2[2].unsqueeze_(0).cuda()), dim=1) 

src:

在此上下文中，

torch.argmax

返回最大化预测值的位置

正如您的网络所指出的，它不是“完全卷积的”：虽然您有两个

nn.Conv2d

层，但在顶部仍然有一个“完全连接的”（aka

nn.Linear

）层，它只输出二维（

num_class

）输出张量

更具体地说，您的网络需要1x100x10输入（单通道，100 x 10像素图像）。
在

self.layer1

之后，您有一个16x50x5张量（16个通道来自卷积，空间维度由最大池层减少）。
在

self.layer2

之后，您有一个32x25x2张量（来自卷积的32个通道，空间维度减少了另一个最大池层）。

---

最后，完全连接的

self.fc

nn.Linear

层获取整个

32*25*2

维度输入张量，并从整个输入生成

num_类

输出。

否。最初维度

（100,10）

的图像将通过上面定义的所有层

[Conv->BN->ReLU->MaxPool->Conv->BN->ReLU->MaxPool->Linear]

，每层的输出维度根据每层的属性而变化（如MaxPool

（2X2）

等）最后你从最后一个

线性

层得到你的输出，它输出一个维度向量

num_类

，在你的例子中是2。你得到的输出是正确的。@Koustav请看问题更新。实际上你的疑问我有点不清楚。我的意思是，torch.argmax（）预测将返回最大值的索引。在上述情况下，它将是4.4880的索引。您是否得到或期望得到与此不同的东西？然后请提及。嘿！请允许我建议您在深入研究代码之前了解CNN图像分类的工作原理。如果您需要，我可以为您提供一些入门材料。我觉得这一部分需要稍微梳理一下。为了回答您的问题，数字

4.4880

是通过在输入通过连续层时执行一系列乘积求和，并使用学习的权重（在训练时）得出的是的，最大值的索引是预测的类标签索引。CNN基础知识：（1）CS231n（圣杯）：（2）中级帖子：（3）PyTorch示例：