CNN modeli

Conv2d ve MaxPool2d ile CNN tanımlarsın.

CNN modeli

İki evrişim bloğu ve bir doğrusal sınıflandırıcıdan oluşan küçük bir model yeterlidir. 16×16 görüntü her havuzlamada yarıya iner: 16 → 8 → 4:

model = nn.Sequential(
    nn.Conv2d(1, 8, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),    # (8, 8, 8)
    nn.Conv2d(8, 16, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),   # (16, 4, 4)
    nn.Flatten(),                                                 # 256
    nn.Linear(16 * 4 * 4, 2))

İlk katmanın filtreleri eğitimden sonra yatay ve dikey kenar dedektörlerine benzemeye başlar.

Ara şekilleri yazdırmak

nn.Sequential modülleri tek tek gezilebilir; her katmandan sonra şekli yazdırmak mimariyi doğrulamanın hızlı yoludur:

x = torch.zeros(1, 1, 16, 16)
for katman in model:
    x = katman(x)
    print(type(katman).__name__, tuple(x.shape))

Ağırlıklı katmanların parametre sayısı ayrıca hesaplanıp toplam model boyutu kontrol edilir.

Uygulama Modeli kur

Verilen model için (1, 1, 16, 16) girdinin her MaxPool2d sonrasındaki şeklini alt alta yazdır. Ardından modelin toplam parametre sayısını yazdır.

Örnek çözümü göster

import torch
from torch import nn

torch.manual_seed(0)
def veri(n):
    X = torch.rand(n, 1, 16, 16) * 0.3
    y = torch.randint(0, 2, (n,))
    for k in range(n):
        if y[k] == 0:
            X[k, 0, 7:9, :] += 1.0
        else:
            X[k, 0, :, 7:9] += 1.0
    return X, y

X_train, y_train = veri(256)
X_test, y_test = veri(64)

model = nn.Sequential(
    nn.Conv2d(1, 8, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
    nn.Conv2d(8, 16, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
    nn.Flatten(), nn.Linear(16 * 4 * 4, 2))

x = torch.zeros(1, 1, 16, 16)
for katman in model:
    x = katman(x)
    if isinstance(katman, nn.MaxPool2d):
        print(x.shape)
print(sum(p.numel() for p in model.parameters()))

Kendini test et

Bu modelde Flatten sonrası kaç özellik vardır?
- 1024
- 64
- 256
- 16
Cevabı göster

256 — 16 kanal × 4 × 4 = 256.

Katman adını yazdır.

print(type(katman).____, tuple(x.shape))

Cevabı göster

print(type(katman).__name__, tuple(x.shape))

Şekilleri eşleştir (girdi 1×16×16).

Conv2d(1, 8) + Pool

(8, 8, 8)
Conv2d(8, 16) + Pool

(16, 4, 4)
Flatten

256
Linear

2

Sıradaki ders: Loss ve optimizer

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler