Pytorch入門

簡單容易上手，感覺比keras好理解多了，和mxnet很像（似乎mxnet有點借鑒pytorch），記一記。

直接從例子開始學，基礎知識咱已經看了很多論文了。。。

import torch import torch.nn as nn import torch.nn.functional as F # Linear 層 就是全連接層 class Net(nn.Module): # 繼承nn.Module，只用定義forward，反向傳播會自動生成def __init__(self): # 初始化方法,這里的初始化是為了forward函數可以直接調過來super(Net,self).__init__() # 調用父類初始化方法# (input_channel,output_channel,kernel_size)self.conv1 = nn.Conv2d(1,6,5) # 第一層卷積self.conv2 = nn.Conv2d(6,16,5)# 第二層卷積self.fc1 = nn.Linear(16*5*5,120) # 這里16*5*5是前向算的self.fc2 = nn.Linear(120,84) # 第二層全連接self.fc3 = nn.Linear(84,10) # 第三層全連接->分類def forward(self,x):x = F.max_pool2d(F.relu(self.conv1(x)),(2,2)) # 卷積一次激活一次然后2*2池化一次x = F.max_pool2d(F.relu(self.conv2(x)),2) # (2,2)與直接寫 2 等價x = x.view(-1,self.num_flatten_features(x)) # 將x展開成向量x = F.relu(self.fc1(x)) # 全連接 + 激活x = F.relu(self.fc2(x)) # 全連接+ 激活x = self.fc3(x) # 最后再全連接return xdef num_flatten_features(self,x):size = x.size()[1:] # 除了batch_size以外的維度,(batch_size,channel,h,w)num_features = 1for s in size:num_features*=sreturn num_features # ok,模型定義完畢。 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_features=400, out_features=120, bias=True)(fc2): Linear(in_features=120, out_features=84, bias=True)(fc3): Linear(in_features=84, out_features=10, bias=True) ) ''' params = list(net.parameters()) print(len(params)) print(params[0].size()) ''' 10 torch.Size([6, 1, 5, 5]) ''' inpt = torch.randn(1,1,32,32) out = net(inpt) print(out) ''' tensor([[-0.0265, -0.1246, -0.0796, 0.1028, -0.0595, 0.0383, 0.0038, -0.0019,0.1181, 0.1373]], grad_fn=<AddmmBackward>) ''' target = torch.randn(10) criterion = nn.MSELoss() loss = criterion(out,target) print(loss) ''' tensor(0.5742, grad_fn=<MseLossBackward>) ''' net.zero_grad()# 梯度歸零 print(net.conv1.bias.grad) loss.backward() print(net.conv1.bias.grad) ''' None tensor([-0.0039, 0.0052, 0.0034, -0.0002, 0.0018, 0.0096]) ''' import torch.optim as optim optimizer = optim.SGD(net.parameters(),lr = 0.01) optimizer.zero_grad() output = net(inpt) loss = criterion(output,target) loss.backward() optimizer.step() # 一個step完成，多個step就寫在循環里

pytorch簡直太好理解了。。繼續蓄力！！

轉載于:https://www.cnblogs.com/aoru45/p/10623046.html

總結

以上是生活随笔為你收集整理的[pytorch] Pytorch入门的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。