PyTorch - การประมวลผลตามลำดับด้วยคอนแวนต์

ในบทนี้เราขอเสนอวิธีการอื่นซึ่งใช้โครงข่ายประสาทเทียม 2 มิติเดียวในทั้งสองลำดับแทน แต่ละเลเยอร์ของโทเค็นซอร์สโค้ดรหัสเครือข่ายของเราแต่ละชั้นตามลำดับเอาต์พุตที่ผลิตจนถึงตอนนี้ คุณสมบัติคล้ายความสนใจจึงแพร่หลายไปทั่วทั้งเครือข่าย

ที่นี่เราจะเน้น creating the sequential network with specific pooling from the values included in dataset. นอกจากนี้กระบวนการนี้ยังใช้ได้ดีที่สุดใน“ Image Recognition Module”

ขั้นตอนต่อไปนี้ใช้เพื่อสร้างแบบจำลองการประมวลผลลำดับด้วยคอนแวนต์โดยใช้ PyTorch -

ขั้นตอนที่ 1

นำเข้าโมดูลที่จำเป็นสำหรับประสิทธิภาพของการประมวลผลลำดับโดยใช้คอนแวนต์

import keras 
from keras.datasets import mnist 
from keras.models import Sequential 
from keras.layers import Dense, Dropout, Flatten 
from keras.layers import Conv2D, MaxPooling2D 
import numpy as np

ขั้นตอนที่ 2

ดำเนินการที่จำเป็นเพื่อสร้างรูปแบบตามลำดับโดยใช้รหัสด้านล่าง -

batch_size = 128 
num_classes = 10 
epochs = 12
# input image dimensions 
img_rows, img_cols = 28, 28
# the data, split between train and test sets 
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(60000,28,28,1) 
x_test = x_test.reshape(10000,28,28,1)
print('x_train shape:', x_train.shape) 
print(x_train.shape[0], 'train samples') 
print(x_test.shape[0], 'test samples')
y_train = keras.utils.to_categorical(y_train, num_classes) 
y_test = keras.utils.to_categorical(y_test, num_classes)

ขั้นตอนที่ 3

รวบรวมแบบจำลองและพอดีกับรูปแบบในแบบจำลองเครือข่ายประสาทเทียมทั่วไปดังที่แสดงด้านล่าง -

model.compile(loss = 
keras.losses.categorical_crossentropy, 
optimizer = keras.optimizers.Adadelta(), metrics = 
['accuracy'])
model.fit(x_train, y_train, 
batch_size = batch_size, epochs = epochs, 
verbose = 1, validation_data = (x_test, y_test)) 
score = model.evaluate(x_test, y_test, verbose = 0) 
print('Test loss:', score[0]) 
print('Test accuracy:', score[1])

ผลลัพธ์ที่สร้างขึ้นมีดังนี้ -