【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.Linear(10, 2)
example_input = torch.randn(3, 10)
example_output = linear(example_input)
example_output

上面代码linear接受nx10的输入并返回nx2的输出。

print(example_input)
print(example_output)tensor([[ 1.1122, -0.1381,  0.5547, -0.3326, -0.5676,  0.2810, -0.5521, -0.8729,-0.6627,  0.8729],[ 1.9134,  0.2397, -0.8340,  1.1532, -1.6725,  0.6171, -0.0357, -1.6848,-0.8454,  0.3876],[-0.0786, -0.1541, -0.8385, -0.1587, -0.0121,  1.4457, -0.0132,  1.5653,-1.6954, -0.9350]])
# 输出如下
tensor([[-0.1249, -0.8002],[-1.0945, -0.2297],[-0.3558,  0.8439]], grad_fn=<AddmmBackward>)

nn.Relu

nn.Relu对线性的给定输出执行 relu 激活函数操作。

relu = nn.ReLU()
relu_output = relu(example_output)
relu_output# 输出如下
tensor([[0.0000, 0.0000],[0.0000, 0.0000],[0.0000, 0.8439]], grad_fn=<ReluBackward0>)

nn.BatchNorm1d

nn.BatchNorm1d是一种标准化技术，用于在不同批次的输入中保持一致的均值和标准偏差。

batchnorm = nn.BatchNorm1d(2)
batchnorm_output = batchnorm(relu_output)
batchnorm_output# 输出如下
tensor([[ 0.0000, -0.7071],[ 0.0000, -0.7071],[ 0.0000,  1.4142]], grad_fn=<NativeBatchNormBackward>)

nn.Sequential

nn.Sequential一次性创建一系列操作。和tensorflow中的Sequential完全一样。

mlp_layer = nn.Sequential(nn.Linear(5, 2),nn.BatchNorm1d(2),nn.ReLU()
)
test_example = torch.randn(5,5) + 1
print("input: ")
print(test_example)
print("output: ")
print(mlp_layer(test_example))# 输出如下
input:
tensor([[ 1.4617,  1.2446,  1.4919,  1.5978, -0.3410],[-0.2819,  0.5567,  1.0113,  1.8053, -0.0833],[ 0.2830,  1.0857,  1.2258,  2.6602,  0.1339],[ 0.8682,  0.9344,  1.3715,  0.0279,  1.8011],[ 0.6172,  1.1414,  0.6030,  0.3876,  1.3653]])
output:
tensor([[0.0000, 0.0000],[0.0000, 1.3722],[0.0000, 0.8861],[1.0895, 0.0000],[1.3047, 0.0000]], grad_fn=<ReluBackward0>)

在上面的模型中缺少了优化器，我们无法得到对应损失。

import torch.optim as optim
adam_opt = optim.Adam(mlp_layer.parameters(), lr=1e-1)
# 这里lr表示学习率，1e-1表示0.1
train_example = torch.randn(100,5) + 1
adam_opt.zero_grad()
# 我们将使用1减去平均值，作为简单损失函数
cur_loss = torch.abs(1 - mlp_layer(train_example)).mean()
cur_loss.backward()
# 更新参数
adam_opt.step()
print(cur_loss.data)
# 输出如下
tensor(0.7467)

虽然上面只是用了一个epoch，训练线性模型得到loss为0.7467，上面就是NN模型建立model的整个流程，

第一个神经网络模型

下面实现第一个分类神经网络，其中一个隐藏层用于开发单个输出单元。

首先，使用以下命令导入 PyTorch 库 -

import torch
import torch.nn as nn

定义所有层和批量大小以开始执行神经网络，如下所示 -

n_in, n_h, n_out, batch_size = 10, 5, 1, 10

由于神经网络包括输入数据的组合以获得相应的输出数据，我们将遵循以下相同的程序 -

x = torch.randn(batch_size, n_in)
y = torch.tensor([[1.0], [0.0], [0.0],
[1.0], [1.0], [1.0], [0.0], [0.0], [1.0], [1.0]])

创建顺序模型。使用下面代码，创建一个顺序模型 -

model = nn.Sequential(nn.Linear(n_in, n_h),nn.ReLU(),nn.Linear(n_h, n_out),nn.Sigmoid())

借助梯度下降优化器构建损失函数，如下所示 -

# 构造损失函数
criterion = torch.nn.MSELoss()
# 构造优化器
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)

使用给定代码行的迭代循环实现梯度下降模型 -

# 梯度下降
for epoch in range(50):# 正向传递：通过将x传递给模型来计算预测的yy_pred = model(x)# 计算lossloss = criterion(y_pred, y)# 梯度清0optimizer.zero_grad()# 反向传播，求解梯度loss.backward()# 更新模型参数optimizer.step()if epoch % 10 == 0:print('epoch: ', epoch,' loss: ', loss.item())

输出如下

epoch:  0  loss:  0.2508794665336609
epoch:  10  loss:  0.24847669899463654
epoch:  20  loss:  0.24615907669067383
epoch:  30  loss:  0.24392127990722656
epoch:  40  loss:  0.24175791442394257


往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑黄海广老师《机器学习课程》课件合集
本站qq群851320808，加入微信群请扫码：