CNNのPytorch実装
PyTorchを使用したCNNの実装は、以下の手順で行うことができます。
- 必要なライブラリをインポートします。
import torch import torch.nn as nn import torch.optim as optim
2. ネットワークを定義します。ここでは、3つの畳み込み層と2つの全結合層を持つ単純なCNNを定義する例を示します。
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5) # 3つの入力チャンネル、6つの出力チャンネル、5x5のカーネル
self.pool = nn.MaxPool2d(2, 2) # 2x2のウィンドウで2ピクセルをダウンサンプリング
self.conv2 = nn.Conv2d(6, 16, 5) # 6つの入力チャンネル、16つの出力チャンネル、5x5のカーネル
self.fc1 = nn.Linear(16 * 5 * 5, 120) # 全結合層。16チャンネルの5x5特徴マップから120個の出力を生成
self.fc2 = nn.Linear(120, 84) # 84個の出力を生成
self.fc3 = nn.Linear(84, 10) # 10個の出力を生成
def forward(self, x):
x = self.pool(torch.relu(self.conv1(x)))
x = self.pool(torch.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5) # 16チャンネルの5x5特徴マップを1次元のテンソルに変換
x = torch.relu(self.fc1(x))
x = torch.relu(self.fc2(x))
x = self.fc3(x)
return x
3. データセットを読み込みます。ここでは、CIFAR-10データセットを使用する例を示します。
import torchvision.datasets as datasets
import torchvision.transforms as transforms
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
testset = datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
4. ネットワークをトレーニングします。
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
for epoch in range(num_epochs):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 2000 == 1999:
print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
以上です．お疲れさまでした．