pytorch搭建神经网络-第一篇博客

2019年10月27日 186次阅读 来源: pytorch

1、导入库

import torch
import torch.nn as nn

 2、搭建卷积神经网络

class Net(nn.Module):
    def __init__(self):

        super(Net,self).__init__()
        self.conv = nn.Conv2d(in_channels=1,out_channels=6,kernel_size=3)
        self.linear = nn.Linear(5766,10)
        self.relu = nn.ReLU(inplace=True)
        self.maxpooling = nn.MaxPool2d((2,2))

    def forward(self, x):
        x = self.conv(x)
        #print (x.shape)
        x = self.maxpooling(x)
        #print (x.shape)
        x = self.relu(x)
        x = x.view(1,-1)
        #print (x.shape)
        x = self.linear(x)
        return x

对于新手来说，可以先熟悉pytorch的格式。网络定义一般由两部分组成，

def __init__(self):
用来定义网络节点参数;
def forward(self, x):
将节点连接成图。
卷积计算规则，对我们输入形状（1，1，64，64），四个维度分别是（batch,channel,height,width)。batch:一次训练的批次，channel图像通道（比如RGB,channel = 3)。height,width分别指图像的高和宽。
new_height= (height - kernel_size + 2×padding)/(stride[0])+1;padding默认为0，意思的在周围补一圈零; stride默认为1，因此。
new_height = new_width = (64 - 3)/(1) + 1 = 62。
由于输出通道数为6，所以通过卷积层后维度（1，6，62，62）
经过pooling后，（1，6，31,31)
x.view(1,-1):把x伸缩为(1,?)的维度，即（1，1×6×31×31）=（1，5766）
nn.Linear(5766,10)，把（1，5766）映射为（1，10）的维度。这样整个网络其实输入（1，1，64，64），输出（1，10）
3、添加训练数据
if __name__ =='__main__':

    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    net = Net().to(device)
    optimizer = torch.optim.Adam(net.parameters())
    criterion = nn.MSELoss()

    net.train()
    epoch = 100

    input = torch.randn(1,1,64,64).cuda()
    output = torch.ones(1,10).cuda()
    batch = 32

 optimizer：是优化器，即所谓的反向传播算法。 criterion = nn.MSELoss()定义损失函数。
input = torch.randn(1,1,64,64).cuda() output = torch.ones(1,10).cuda()。定义训练样本，注意如果在gpu中训练，在pytorch中需要.cuda()把数据从cpu中导入到gpu中
网络的功能是给定随机噪声向量，输出是逼近1的单位向量。
4、训练：
    for step in range(epoch):

        prediction = net(input)

        loss = criterion(prediction, output)

        optimizer.zero_grad()
        #消除优化器梯度
        loss.backward()
        optimizer.step()
        if step % 10 == 0:

            print("EPOCHS: {},Loss:{:4f}".format(step, loss))
loss.backward() 指自动求导 optimizer.step() 指根据自动求导反向传播优化参数。
5、我们可以输出样本看看结果：
print (prediction.cpu().detach().numpy())
#返回一个新的 从当前图中分离的 Variable。
print (output.cpu().numpy())
注意输出结果时必须对张量.cpu()把张量从gpu转到cpu中。
对于计算图中的张量（比如x,prediction)，必须加.detach()从计算图中导出才能转化成numpy。
输出结果：
[[1.0127475  0.98897606 1.002695   0.9881151  1.0137383  1.0051517
  1.0140573  1.0051212  1.0088345  0.9978328 ]]
[[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]]

(若有新的见解请加以批评指正）
    原文作者：pytorch
    原文地址: https://www.cnblogs.com/venray/p/10495612.html
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞