手机做直播官方网站网站tkd优化
CNN -1 神经网络-概述2
- 一：神经网络（operator）
- 1> 线性层（Fully Connected Layer）
- 2> 卷积层（Convolutional Layer）
- 3> 池化层（Pooling Layer）
- 4> 循环层（Recurrent Layer）
- 5> 归一化层（Normalization Layer）
- 6> 激活函数（Activation Function）
- 7> 损失函数（Loss Function）
- 二：卷积神经网络（CNN）
- 1> NMS非极大值抑制，Non-Maximum Suppression）
- 1. NMS介绍
- 2. NMS 算法流程
- 3. NMS 核心代码
- 三：Onnx
- 1> 自动化测试-芯片神经网络-模型ONNX
一：神经网络（operator）
算子:通常指的是神经网络层（neural network layer）中所用的基本数学运算;
1> 线性层（Fully Connected Layer）
也称为全连接层，是最常见的一种层类型。它将输入向量与权重矩阵相乘，然后加上偏置向量得到输出向量。线性层是神经网络中的基本层，其主要功能是将高维输入映射到低维输出;
线性层示例代码
import torch
import torch.nn as nn# 定义输入向量的维度
input_size = 10# 定义线性层的输出维度
output_size = 5# 创建线性层
fc_layer = nn.Linear(input_size, output_size)# 创建输入向量
input_vector = torch.randn(1, input_size) # 假设输入向量的形状为(1, input_size)# 进行前向传播计算
output_vector = fc_layer(input_vector)# 打印输出向量
print(output_vector)
首先导入了torch和torch.nn模块。然后，我们定义了输入向量的维度input_size和线性层的输出维度output_size。
接下来，我们使用nn.Linear类创建了一个名为fc_layer的线性层对象。该类的第一个参数是输入维度，第二个参数是输出维度。
然后，我们创建了一个随机输入向量input_vector，并将其传递给线性层进行前向传播计算。最后，我们打印输出向量