游戏网站建设成功案例,北京seo多少钱,大连手机自适应网站建设费用,连锁销售平台Neural Networks 使用torch.nn包来构建神经网络。nn包依赖autograd包来定义模型并求导。 一个nn.Module包含各个层和一个forward(input)方法#xff0c;该方法返回output。 一个简单的前馈神经网络#xff0c;它接受一个输入#xff0c;然后一层接着一层地传递#xff0c;…Neural Networks 使用torch.nn包来构建神经网络。nn包依赖autograd包来定义模型并求导。 一个nn.Module包含各个层和一个forward(input)方法该方法返回output。 一个简单的前馈神经网络它接受一个输入然后一层接着一层地传递最后输出计算的结果。 神经网络的典型训练过程如下 定义包含一些可学习的参数(或者叫权重)神经网络模型在数据集上迭代通过神经网络处理输入计算损失(输出结果和正确值的差值大小)将梯度反向传播回网络的参数更新网络的参数主要使用如下简单的更新原则 weight weight - learning_rate * gradient
开始定义一个Lenet5网络 import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):def __init__(self):super(Net, self).__init__()# 1 input image channel, 6 output channels, 5x5 square convolution# kernelself.conv1 nn.Conv2d(1, 6, 5)self.conv2 nn.Conv2d(6, 16, 5)# an affine operation: y Wx bself.fc1 nn.Linear(16 * 5 * 5, 120)self.fc2 nn.Linear(120, 84)self.fc3 nn.Linear(84, 10)def forward(self, x):# Max pooling over a (2, 2) windowx F.max_pool2d(F.relu(self.conv1(x)), (2, 2))# If the size is a square you can only specify a single numberx F.max_pool2d(F.relu(self.conv2(x)), 2)x x.view(-1, self.num_flat_features(x))x F.relu(self.fc1(x))x F.relu(self.fc2(x))x self.fc3(x)return xdef num_flat_features(self, x):size x.size()[1:] # all dimensions except the batch dimensionnum_features 1for s in size:num_features * sreturn num_features
net Net()
print(net)Net((conv1): Conv2d(1, 6, kernel_size(5, 5), stride(1, 1))(conv2): Conv2d(6, 16, kernel_size(5, 5), stride(1, 1))(fc1): Linear(in_features400, out_features120, biasTrue)(fc2): Linear(in_features120, out_features84, biasTrue)(fc3): Linear(in_features84, out_features10, biasTrue)
)在模型中必须要定义 forward 函数backward 函数用来计算梯度会被autograd自动创建。 可以在 forward 函数中使用任何针对 Tensor 的操作。torch.nn 只支持小批量输入。整个 torch.nn 包都只支持小批量样本而不支持单个样本。 例如nn.Conv2d 接受一个4维的张量 每一维分别是sSamples * nChannels * Height * Width样本数*通道数*高*宽。 如果你有单个样本只需使用 input.unsqueeze(0) 来添加其它的维数。net.parameters()返回可被学习的参数权重列表和值 params list(net.parameters())
print(len(params))
for i in range(len(params)):print(f第{i}层需要学习参数的参数量矩阵大小:,params[i].size()) ) 10
第0层需要学习参数的参数量矩阵大小: torch.Size([6, 1, 5, 5])
第1层需要学习参数的参数量矩阵大小: torch.Size([6])
第2层需要学习参数的参数量矩阵大小: torch.Size([16, 6, 5, 5])
第3层需要学习参数的参数量矩阵大小: torch.Size([16])
第4层需要学习参数的参数量矩阵大小: torch.Size([120, 400])
第5层需要学习参数的参数量矩阵大小: torch.Size([120])
第6层需要学习参数的参数量矩阵大小: torch.Size([84, 120])
第7层需要学习参数的参数量矩阵大小: torch.Size([84])
第8层需要学习参数的参数量矩阵大小: torch.Size([10, 84])
第9层需要学习参数的参数量矩阵大小: torch.Size([10])测试随机输入32×32。 注这个网络LeNet期望的输入大小是32×32如果使用MNIST数据集来训练这个网络请把图片大小重新调整到32×32。 input torch.randn(1, 1, 32, 32)
out net(input)
print(out)tensor([[ 0.0501, 0.1101, -0.0294, 0.0030, 0.0629, 0.0379, 0.0860, 0.0104,0.1108, 0.0916]], grad_fnAddmmBackward0)将所有参数的梯度缓存清零然后进行随机梯度的的反向传播 net.zero_grad()
out.backward(torch.randn(1, 10).data)
print(out)tensor([[-0.0275, -0.0630, -0.0253, -0.0811, 0.0872, -0.0282, 0.0926, 0.1020,-0.1034, 0.0727]], grad_fnAddmmBackward0)torch.Tensor一个用过自动调用 backward()实现支持自动梯度计算的 多维数组 并且保存关于这个向量的梯度 w.r.t. nn.Module神经网络模块。封装参数、移动到GPU上运行、导出、加载等。 nn.Parameter一种变量当把它赋值给一个Module时被 自动 地注册为一个参数。 autograd.Function实现一个自动求导操作的前向和反向定义每个变量操作至少创建一个函数节点每一个Tensor的操作都回创建一个接到创建Tensor和 编码其历史 的函数的Function节点。
损失函数 一个损失函数接受一对 (output, target) 作为输入计算一个值来估计网络的输出和目标值相差多少。nn包中有很多不同的损失函数。 nn.MSELoss是一个比较简单的损失函数它计算输出和目标间的均方误差 例如 output net(input)
target torch.randn(10) # 随机值作为样例
target target.view(1, -1) # 使target和output的shape相同
criterion nn.MSELoss()
loss criterion(output, target)
print(loss)tensor(0.8873, grad_fnMseLossBackward0)反向过程中跟随loss 使用它的 .grad_fn 属性将看到如下所示的计算图。 input - conv2d - relu - maxpool2d - conv2d - relu - maxpool2d- view - linear - relu - linear - relu - linear- MSELoss- loss当我们调用 loss.backward()时,整张计算图都会 根据loss进行微分而且图中所有设置为requires_gradTrue的张量 将会拥有一个随着梯度累积的.grad 张量。
反向传播 调用loss.backward()获得反向传播的误差。但是在调用前需要清除已存在的梯度否则梯度将被累加到已存在的梯度。现在我们将调用loss.backward()并查看conv1层的偏差bias项在反向传播前后的梯度。 net.zero_grad() # 清除梯度
print(conv1.bias.grad before backward)
print(net.conv1.bias.grad)
loss.backward()
print(conv1.bias.grad after backward)
print(net.conv1.bias.grad)conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([-0.0136, 0.0067, 0.0111, 0.0210, 0.0111, -0.0072])更新权重 当使用神经网络是想要使用各种不同的更新规则时比如SGD、Nesterov-SGD、Adam、RMSPROP等PyTorch中构建了一个包torch.optim实现了所有的这些规则。 使用它们非常简单 import torch.optim as optim
# create your optimizer
optimizer optim.SGD(net.parameters(), lr0.01)
# in your training loop:
for i in range(10):optimizer.zero_grad() # zero the gradient buffersoutput net(input)loss criterion(output, target)loss.backward()optimizer.step() # Does the updateprint(f第{i}轮训练,loss)第0轮训练 tensor(0.8873, grad_fnMseLossBackward0)
第1轮训练 tensor(0.8725, grad_fnMseLossBackward0)
第2轮训练 tensor(0.8582, grad_fnMseLossBackward0)
第3轮训练 tensor(0.8447, grad_fnMseLossBackward0)
第4轮训练 tensor(0.8309, grad_fnMseLossBackward0)
第5轮训练 tensor(0.8173, grad_fnMseLossBackward0)
第6轮训练 tensor(0.8035, grad_fnMseLossBackward0)
第7轮训练 tensor(0.7897, grad_fnMseLossBackward0)
第8轮训练 tensor(0.7764, grad_fnMseLossBackward0)
第9轮训练 tensor(0.7623, grad_fnMseLossBackward0)035, grad_fn) 第7轮训练 tensor(0.7897, grad_fn) 第8轮训练 tensor(0.7764, grad_fn) 第9轮训练 tensor(0.7623, grad_fn)
