19、PyTorch教程---使用卷积进行序列处理

在这一章中，我们提出了一种替代方法，该方法依赖于一个单独的2D卷积神经网络跨两个序列。我们网络的每一层都基于迄今为止产生的输出序列重新编码源标记。因此，在整个网络中都存在类似注意力的属性。

在这里，我们将专注于使用数据集中包含的值创建顺序网络，并进行特定的池化。这个过程也最适用于“图像识别模块”。

创建使用PyTorch的卷积序列处理模型的步骤如下：

步骤1
导入必要的模块，以便使用卷积进行序列处理的性能。

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

步骤2
使用以下代码执行必要的操作，以在相应的序列中创建模式。

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.re