神經(jīng)網(wǎng)絡(luò)可以使用?torch.nn?包構(gòu)建.

autograd?實(shí)現(xiàn)了反向傳播功能, 但是直接用來(lái)寫(xiě)深度學(xué)習(xí)的代碼在很多情況下還是稍顯復(fù)雜,torch.nn?是專(zhuān)門(mén)為神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的模塊化接口.?nn?構(gòu)建于?Autograd?之上, 可用來(lái)定義和運(yùn)行神經(jīng)網(wǎng)絡(luò).?nn.Module?是?nn?中最重要的類(lèi), 可把它看成是一個(gè)網(wǎng)絡(luò)的封裝, 包含網(wǎng)絡(luò)各層定義以及?forward?方法, 調(diào)用?forward(input)?方法, 可返回前向傳播的結(jié)果.

一個(gè)典型的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程如下:

讓我們來(lái)定義一個(gè)網(wǎng)絡(luò):

• 定義具有一些可學(xué)習(xí)參數(shù)(或權(quán)重)的神經(jīng)網(wǎng)絡(luò)
• 迭代輸入數(shù)據(jù)集
• 通過(guò)網(wǎng)絡(luò)處理輸入
• 計(jì)算損失(輸出的預(yù)測(cè)值與實(shí)際值之間的距離)
• 將梯度傳播回網(wǎng)絡(luò)
• 更新網(wǎng)絡(luò)的權(quán)重, 通常使用一個(gè)簡(jiǎn)單的更新規(guī)則:?weight?=?weight?-?learning_rate?*?gradient

import torch from torch.autograd import Variable import torch.nn as nn import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()# 卷積層 '1'表示輸入圖片為單通道, '6'表示輸出通道數(shù), '5'表示卷積核為5*5# 核心self.conv1 = nn.Conv2d(1, 6, 5)self.conv2 = nn.Conv2d(6, 16, 5)# 仿射層/全連接層: 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):#在由多個(gè)輸入平面組成的輸入信號(hào)上應(yīng)用2D最大池化.# (2, 2) 代表的是池化操作的步幅x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))# 如果大小是正方形, 則只能指定一個(gè)數(shù)字x = 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:] # 除批量維度外的所有維度num_features = 1for s in size:num_features *= sreturn num_featuresnet = Net() print(net)

?

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的pytorch入门学习（三） 神经网络的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。