Pytorch 神经网络nn模块
文章目录
- 1. nn模块
- 2. torch.optim 优化器
- 3. 自定义nn模块
- 4. 权重共享
参考 http://pytorch123.com/
1. nn模块
import torch
N, D_in, Hidden_size, D_out = 64, 1000, 100, 10
torch.nn.Sequential
建立模型,跟 keras 很像
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)model = torch.nn.Sequential(torch.nn.Linear(D_in, Hidden_size),torch.nn.ReLU(),torch.nn.Linear(Hidden_size, D_out)
)# 损失函数
loss_fn = torch.nn.MSELoss(reduction='sum')
learning_rate = 1e-4
loss_list = []for t in range(500):y_pred = model(x) # 前向传播loss = loss_fn(y_pred, y) # 损失loss_list.append(loss.item())print(t, loss.item())model.zero_grad() # 清零梯度loss.backward() # 反向传播,计算梯度with torch.no_grad(): # 更新参数,不计入网络图的操作当中for param in model.parameters():param -= learning_rate*param.grad # 更新参数
# 绘制损失
import pandas as pd
loss_curve = pd.DataFrame(loss_list, columns=['loss'])
loss_curve.plot()
2. torch.optim 优化器
torch.optim.Adam
使用优化器optimizer.zero_grad() # 清零梯度
optimizer.step() # 更新参数
learning_rate = 1e-4optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)loss_list = []
for t in range(500):y_pred = model(x) # 前向传播loss = loss_fn(y_pred, y) # 损失loss_list.append(loss.item())print(t, loss.item())optimizer.zero_grad() # 清零梯度loss.backward() # 反向传播,计算梯度optimizer.step() # 更新参数
3. 自定义nn模块
- 继承
nn.module
,并定义forward
前向传播函数
import torch
class myModel(torch.nn.Module):def __init__(self, D_in, Hidden_size, D_out):super(myModel, self).__init__()self.fc1 = torch.nn.Linear(D_in, Hidden_size)self.fc2 = torch.nn.Linear(Hidden_size, D_out)def forward(self, x):x = self.fc1(x).clamp(min=0) # clamp 修剪数据在 min - max 之间,relu的作用x = self.fc2(x)return x
N, D_in, Hidden_size, D_out = 64, 1000, 100, 10
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)model = myModel(D_in, Hidden_size, D_out) # 自定义模型loss_fn = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=1e-4)loss_val = []for t in range(500):y_pred = model(x)loss = loss_fn(y_pred, y)loss_val.append(loss.item())optimizer.zero_grad()loss.backward()optimizer.step()import pandas as pd
loss_val = pd.DataFrame(loss_val, columns=['loss'])
loss_val.plot()
4. 权重共享
- 建立一个有3种FC层的玩具模型,中间
shareFC
层会被 for 循环重复 0-3 次(随机),这几层(次数随机)的参数是共享的
import random
import torchclass shareParamsModel(torch.nn.Module):def __init__(self, D_in, Hidden_size, D_out):super(shareParamsModel, self).__init__()self.inputFC = torch.nn.Linear(D_in, Hidden_size)self.shareFC = torch.nn.Linear(Hidden_size, Hidden_size)self.outputFC = torch.nn.Linear(Hidden_size, D_out)self.sharelayers = 0 # 记录随机出了多少层def forward(self, x):x = self.inputFC(x).clamp(min=0)self.sharelayers = 0for _ in range(random.randint(0, 3)):x = self.shareFC(x).clamp(min=0)self.sharelayers += 1x = self.outputFC(x)return x
N, D_in, Hidden_size, D_out = 64, 1000, 100, 10
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)model = shareParamsModel(D_in, Hidden_size, D_out)loss_fn = torch.nn.MSELoss(reduction='sum')optimizer = torch.optim.SGD(model.parameters(), lr=1e-4, momentum=0.9)loss_val = []for t in range(500):y_pred = model(x)print('share layers: ', model.sharelayers)loss = loss_fn(y_pred, y)loss_val.append(loss.item())optimizer.zero_grad()loss.backward()optimizer.step()for p in model.parameters():print(p.size())import pandas as pd
loss_val = pd.DataFrame(loss_val, columns=['loss'])
loss_val.plot()
输出:
share layers: 1
share layers: 0
share layers: 2
share layers: 1
share layers: 2
share layers: 1
share layers: 0
share layers: 1
share layers: 0
share layers: 0
share layers: 3
share layers: 3
。。。省略
参数数量,多次运行,均为以下结果
torch.Size([100, 1000])
torch.Size([100])
torch.Size([100, 100])
torch.Size([100])
torch.Size([10, 100])
torch.Size([10])
Pytorch 神经网络nn模块相关推荐
- Pytorch基础(五)nn模块及optimizer
目录 PyTorch之nn模块 PyTorch之optim模块 自定义nn模块 控制流和权重共享 PyTorch之nn模块 计算图和autograd是十分强大的工具,可以定义复杂的操作并自动求导:然而 ...
- Pytorch:核心模块,torch.nn与网络组成单元
Pytorch: torch.nn 模块与网络组成单元 Copyright: Jingmin Wei, Pattern Recognition and Intelligent System, Scho ...
- Pytorch的nn.Conv2d()详解
Pytorch的nn.Conv2d()详解 nn.Conv2d()的使用.形参与隐藏的权重参数 in_channels out_channels kernel_size stride = 1 padd ...
- Pytorch的nn.Conv2d()参数详解
nn.Conv2d()的使用.形参与隐藏的权重参数 二维卷积应该是最常用的卷积方式了,在Pytorch的nn模块中,封装了nn.Conv2d()类作为二维卷积的实现.使用方法和普通的类一样,先实例 ...
- [Pytorch系列-28]:神经网络基础 - torch.nn模块功能列表
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客 本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
- 【小白学习PyTorch教程】三、Pytorch中的NN模块并实现第一个神经网络模型
「@Author:Runsen」 在PyTorch建立模型,主要是NN模块. nn.Linear nn.Linear是创建一个线性层.这里需要将输入和输出维度作为参数传递. linear = nn.L ...
- (pytorch-深度学习)使用pytorch框架nn.RNN实现循环神经网络
使用pytorch框架nn.RNN实现循环神经网络 首先,读取周杰伦专辑歌词数据集. import time import math import numpy as np import torch f ...
- Pytorch学习(二)—— nn模块
torch.nn nn.Module 常用的神经网络相关层 损失函数 优化器 模型初始化策略 nn和autograd nn.functional nn和autograd的关系 hooks简介 模型保存 ...
- pytorch学习(五)---torch.nn模块
本篇自学笔记来自于b站<PyTorch深度学习快速入门教程(绝对通俗易懂!)[小土堆]>,Up主讲的非常通俗易懂,文章下方有视频连接,如有需要可移步up主讲解视频,如有侵权 ...
最新文章
- 什么是self-attention、Multi-Head Attention、Transformer
- Codeforces 846 A Curriculum Vitae 思维 暴力
- 服务器自动安全审计,用于Linux服务器的自动安全审计工具
- C#与西门子PLC通讯
- python100个必背知识-python必背内容有哪些
- oracle表空间操作详解
- android viewpager动态加载页面,Android viewpager中动态添加view并实现伪无限循环的方法...
- 西电计算机学院(原软件学院)软件工程考研复试
- 计算机组成原理 第四章【指令系统】课后作业解析【MOOC答案】
- Retrofit2源码解析——网络调用流程(下)
- Angularjs 动态添加指令并绑定事件
- leetcode-187-重复的DNA序列
- linuxos或sv独立客户端不支持应用程序打开方式_搞不明白为什么大家都在学习 k8s
- idea安装Translation翻译插件
- Photoshop操作秘籍
- python简单应用_python之Click的简单应用
- Tomcat 下载、安装与配置
- SSL的三大误区 此文刊登在《计算机世界》第5期
- (转)关于样本标准差(SD)与样本标准误差(SE)
- ASP.NET点餐系统源码(电脑手机通用)源代码分享
热门文章
- 九九乘法表[循环嵌套]
- GitHub+Hexo搭建自己的Blog之-主题配置
- invalid floating point operation什么意思_Point-MVSNet:基于多视角的点云重建网络
- 《跟我一起写Makefile》读书笔记(1)
- python解释器、pycharm安装及环境变量配置
- gravity 时序图绘制,改
- centos安装Python2.7
- [Swift]loadNibNamed方法
- imagick用法!
- [网络收集]Web.config配置文件详解