PyTorch - 使用 Convent 进行序列处理

在本章中，我们提出了一种替代方法，该方法依赖于跨两个序列的单个二维卷积神经网络。我们网络的每一层都会根据迄今为止生成的输出序列重新编码源令牌。因此，类似注意力的属性在整个网络中普遍存在。

在这里，我们将专注于根据 dataset 中包含的值创建具有特定池化的顺序网络。这个过程在“图像识别模块”中也得到了最好的应用。

顺序网络

以下步骤用于使用 PyTorch 创建带有约定的序列处理模型 -

步骤1

使用约定导入执行序列处理所需的模块。

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

第2步

使用以下代码执行必要的操作，以相应的顺序创建模式 -

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)

步骤3

编译模型并拟合上述传统神经网络模型中的模式，如下所示 -

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])

生成的输出如下 -

神经网络模型