神經網路可以使用torch.nn包構建.
autograd實現了反向傳播功能, 但是直接用來寫深度學習的**在很多情況下還是稍顯複雜,torch.nn是專門為神經網路設計的模組化介面.nn構建於autograd之上, 可用來定義和執行神經網路.nn.module是nn中最重要的類, 可把它看成是乙個網路的封裝, 包含網路各層定義以及forward方法, 呼叫forward(input)方法, 可返回前向傳播的結果.
乙個典型的神經網路訓練過程如下:
讓我們來定義乙個網路:
import torch
from torch.autograd import variable
import torch.nn as nn
import torch.nn.functional as f
class net(nn.module):
def __init__(self):
super(net, self).__init__()
# 卷積層 '1'表示輸入為單通道, '6'表示輸出通道數, '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/全連線層: y = wx + b
self.fc1 = nn.linear(16 * 5 * 5, 120)
self.fc2 = nn.linear(120, 84)
self.fc3 = nn.linear(84, 10)
def forward(self, x):
#在由多個輸入平面組成的輸入訊號上應用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, 則只能指定乙個數字
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 x
def num_flat_features(self, x):
size = x.size()[1:] # 除批量維度外的所有維度
num_features = 1
for s in size:
num_features *= s
return num_features
net = net()
print(net)
如何入門Pytorch之三 如何優化神經網路
在上一節中，我們介紹了如何使用pytorch來搭建乙個經典的分類神經網路。在本節中，我們將介紹從資料集到模型各個部分的調整，從而可以有乙個完整的解決思路。1 資料集部分 1.1 資料集劃分 當然，還有一些需要考慮的問題 資料表徵，時間敏感性和資料冗餘。在資料表徵中，隨機打亂 shuffle 是乙個不...
pytorch搭建神經網路入門
autograd自動求導 pytorch 是乙個基於python的科學計算包，用於代替numpy，可以利用gpu的效能進行計算 作為乙個深度學習平台。張量 tensor 類似於numpy中的ndarray，但還可以在gpu上使用，實現加速計算的效果。建立張量的幾種方式 建立乙個沒有初始化的矩陣張量 ...
PyTorch入門（三）PyTorch常用操作
def bilinear kernel in channels,out channels,kernel size return a bilinear kernel tensor tensor in channels,out channels,kernel size,kernel size 返回雙線性...