关注
分享
关注【相关推荐】
import numpy as np
import torch as t
# 超参数
num_epochs = 30 # 训练轮数
learning_rate = 1e-3 # 学习率
batch_size = 100 # 批量大小
####### 训练部分
# 创建网络框架
class FirstCnnNet(t.nn.Module): # CNN网络
def __init__(self, num_classes): # 初始化只需要输出这一个参数
super(FirstCnnNet, self).__init__() # 固定格式
self.conv1 = t.nn.Sequential(
t.nn.Conv2d(1, 16, kernel_size=5, stride=2, padding=2),
t.nn.BatchNorm2d(16),
t.nn.ReLU()) # 输入深度1，输出深度16。从1,28,28压缩为16,14,14
self.conv2 = t.nn.Sequential(
t.nn.Conv2d(16, 32, kernel_size=5, stride=2, padding=2),
t.nn.BatchNorm2d(32), t.nn.ReLU(),
t.nn.MaxPool2d(kernel_size=2,
stride=1)) # 输入深度16，输出深度32。16,14,14压缩到32,6,6
self.dense1 = t.nn.Sequential(
t.nn.Linear(6 * 6 * 32, 128), t.nn.ReLU(),
t.nn.Dropout(p=0.25)) # 第1个全连接层，输入6*6*32，输出128
self.dense2 = t.nn.Linear(128, num_classes) # 第2个全连接层，输入128，输出10类
def forward(self, x): # 传入计算值的函数，真正的计算在这里
x = self.conv1(x) # 16,14,14
x = self.conv2(x) # 32,6,6
x = x.view(x.size(0), -1)
x = self.dense1(x) # 32*6*6 -> 128
x = self.dense2(x) # 128 -> 10
return x
# 输入28*28，隐藏层128，输出10类，创建定义一个实例框架，执行__init__()
model = FirstCnnNet(10) # 后面的model(),都是执行的 forward函数
optimizer = t.optim.Adam(model.parameters(), lr=learning_rate) # 优化器仍然选随机梯度下降
X_train_size = len(X_train)
for epoch in range(num_epochs):
print('Epoch:', epoch) # 打印轮次：
X = t.autograd.Variable(t.from_numpy(X_train))
y = t.autograd.Variable(t.from_numpy(y_train))
i = 0
while i < X_train_size:
X0 = X[i:i + batch_size] #取一个新批次的数据
X0 = X0.view(-1, 1, 28, 28)
y0 = y[i:i + batch_size]
i += batch_size
# 正向传播
out = model(X0) # 用神经网络计算10类输出结果
loss = t.nn.CrossEntropyLoss()(out, y0) # 计算神经网络结果与实际标签结果的差值
# 反向梯度下降
optimizer.zero_grad() # 清空梯度
loss.backward() # 根据误差函数求导
optimizer.step() # 进行一轮梯度下降计算
print(loss.item())
############## 验证部分
model.eval() ## 将模型设为验证模式
X_val = t.autograd.Variable(t.from_numpy(X_test))
y_val = t.autograd.Variable(t.from_numpy(y_test))
X_val = X_val.view(-1, 1, 28, 28) # 整形成CNN需要的输入
out_val = model(X_val) ## 用训练好的模型计算结果
loss_val = t.nn.CrossEntropyLoss()(out_val, y_val)
print(loss_val.item())
_, pred = t.max(out_val, 1) # 求出最大的元素的位置
num_correct = (pred == y_val).sum() # 将预测值与标注值进行对比
print(num_correct.data.numpy() / len(y_test)) # 显示正确率
关注晚上好🌙🌙🌙
本答案参考ChatGPT-3.5
问题描述：
使用RML 2016a进行调制识别是我的本科毕设内容。在做实验中，使用torch搭建的和原作者相同的网络无法训练。
可能的原因：
难道是tensorflow keras和torch不一样吗？应该不是呀？
解决方案：
调整输入数据的格式，确保与原作者的输入数据格式相同。
如果网络难以收敛，可以尝试更改网络结构或超参调整，如增加网络层数、减少学习率等。
可以尝试预训练网络，以提高网络的泛化性能。
可以参考原作者在其他框架中的代码实现，了解网络细节并进行对比。
修改后的代码：
为确保输入数据格式与原作者相同，需要将输入数据从(batch_size, 2, 128)转换为(batch_size, 1, 2, 128)，即在通道维度上增加一个维度。
import torch.nn as nn
class MyCNN1(nn.Module): def init(self): super().init() self.pad = nn.ZeroPad2d((2, 2, 0, 0)) self.relu = nn.ReLU() self.drop = nn.Dropout(p=0.5) self.conv1 = nn.Conv2d(kernel_size=(1, 3), in_channels=1, out_channels=256, stride=(1, 1)) self.conv2 = nn.Conv2d(kernel_size=(2, 3), in_channels=256, out_channels=80) self.flatten = nn.Flatten(start_dim=1, end_dim=-1) self.fc1 = nn.Linear(10560, 256) self.fc2 = nn.Linear(256, 11) # 卷积部分 self.stage1 = nn.Sequential( self.pad, self.conv1, self.relu, self.drop, self.pad, self.conv2, self.relu, self.drop, self.flatten ) # 全连接部分 self.stage2 = nn.Sequential( self.fc1, self.relu, self.drop, self.fc2, nn.Softmax(dim=1) )
def forward(self, x):
# reshape the data to (batch_size, 1, 2, 128)
x = x.unsqueeze(1)
x = self.stage1(x)
x = self.stage2(x)
return x
