PyTorch Convent進行序列處理

在本章中，提出了一種替代方法，它依賴於跨兩個序列的單個2D折積神經網路。網路的每一層都根據到目前為止產生的輸出序列重新編碼源令牌。因此，類似注意的屬性在整個網路中普遍存在。

在這裡，將專注於使用資料集中包含的值建立具有特定池的順序網路。此過程也最適用於「影象識別模組」。

以下步驟用於使用PyTorch建立帶有Convent的序列處理模型 -

第1步

使用convent匯入必要的模組以執行序列處理。

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

使用以下程式碼執行必要的操作以按相應的順序建立模式 -

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)

第3步
編譯模型並在所提到的傳統神經網路模型中擬合模式，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])

產生的輸出如下 -