卷积神经网络学习器(CNN Learner)

设置一个简单的卷积神经网络学习器

输出:

  • CNN 模型: 配置好的 CNN 模型超参数

功能

构建一个训练 MNIST 数据集的简单卷积神经网络

默认一个 5 层网络, 用于构建一个训练 MNIST 数据集的简单卷积神经网络. 每层结构为:

nn.Conv2d(ni, nf, kernel_size=3, stride=2, padding=1)

即固定滤波器大小 3, 步幅为 2, 填充为 1. 用户只需要设置每层的输出通道数目.

界面

  • 设置每层输出通道数目
  • 观察并输出模型: 将模型结构显示在右侧, 并输出模型设置

示例

以一个简单的 mnist 手写数字识别数据为例, 工作流如图所示:

这里, 使用卷积神经网络学习器 设置卷积神经网络结构, 图片加载器加载训练和测试数据, 图片加载器 (1) 加载想要预测的图片, 模型训练与测试对模型训练并测试, 其结果可以通过散点图进行观察, 还可以在卷积神经网络预测进行预测.

卷积神经网络学习器设置

使用默认参数,点击“观察并输出模型”按钮,右侧主界面出现模型结构和参数。

图片加载器设置

如果要训练模型, 注意选择 需要训练. 这里加载mnist_sample数据集(或者“mninst”数据集,但是数据集比较大,训练会花更多时间)。

如果不需要训练, 载入的图片用来预测, 则选择 只要预测, 比如在图片加载器 (1) 中采用此设置

模型训练与测试设置

打开“模型训练与测试”,保持默认设置,点击“开始训练”

神经网络预测

此小部件给出预测结果

反馈问题

文档有问题? 或者有其他意见和建议? 请在本文档的 Github 仓库直接反馈

点我反馈

进入反馈页面不知道如何反馈, 请点击这里