位置: IT常识 - 正文

pytorch从零开始搭建神经网络(pytorch新手入门)

编辑:rootadmin
pytorch从零开始搭建神经网络 目录

基本流程

一、数据处理

二、模型搭建

三、定义代价函数&优化器

四、训练

附录

nn.Sequential

nn.Module

model.train() 和 model.eval() 

损失

图神经网络

基本流程《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili

推荐整理分享pytorch从零开始搭建神经网络(pytorch新手入门),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:pytorch入门教程(非常详细),pytorch 入门教程,pytorch入门到进阶,pytorch新手入门,pytorch 快速入门,pytorch零基础入门,pytorch新手入门,pytorch零基础入门,内容如对您有帮助,希望把文章链接给更多的朋友!

1. 数据预处理(Dataset、Dataloader)

2. 模型搭建(nn.Module)

3. 损失&优化(loss、optimizer)

4. 训练(forward、backward)

一、数据处理

对于数据处理,最为简单的⽅式就是将数据组织成为⼀个 。

但许多训练需要⽤到mini-batch,直 接组织成Tensor不便于我们操作。

pytorch为我们提供了Dataset和Dataloader两个类来方便的构建。

torch.utils.data.DataLoader(dataset,batch_size,shuffle,drop_last,num_workers)

 

二、模型搭建

搭建一个简易的神经网络

除了采用pytorch自动梯度的方法来搭建神经网络,还可以通过构建一个继承了torch.nn.Module的新类,来完成forward和backward的重写。

# 神经网络搭建import torchfrom torch.autograd import Varible batch_n = 100 hidden_layer = 100 input_data = 1000output_data = 10 class Model(torch.nn.Module):def __init__(self):super(Model,self).__init__()def forward(self,input,w1,w2):x = torch.mm(input,w1)x = torch.clamp(x,min = 0)x = torch.mm(x,w2) def backward(self): passmodel = Model()#训练x = Variable(torch.randn(batch_n,input_data))

一点一点地看:

import torchdtype = torch.floatdevice = torch.device("cpu")N, D_in, H, D_out = 64, 1000, 100, 10# Create random input and output datax = torch.randn(N, D_in, device=device, dtype=dtype)y = torch.randn(N, D_out, device=device, dtype=dtype)# Randomly initialize weightsw1 = torch.randn(D_in, H, device=device, dtype=dtype)w2 = torch.randn(H, D_out, device=device, dtype=dtype)learning_rate = 1e-6

tensor 写一个粗糙版本(后面陆陆续续用pytorch提供的方法)

for t in range(500): # Forward pass: compute predicted y h = x.mm(w1) h_relu = h.clamp(min=0) y_pred = h_relu.mm(w2) # Compute and print loss loss = (y_pred - y).pow(2).sum().item() if t % 100 == 99: print(t, loss) # Backprop to compute gradients of w1 and w2 with respect to loss grad_y_pred = 2.0 * (y_pred - y) grad_w2 = h_relu.t().mm(grad_y_pred) grad_h_relu = grad_y_pred.mm(w2.t()) grad_h = grad_h_relu.clone() grad_h[h < 0] = 0 grad_w1 = x.t().mm(grad_h) # Update weights using gradient descent w1 -= learning_rate * grad_w1 w2 -= learning_rate * grad_w2三、定义代价函数&优化器

Autograd

for t in range(500): y_pred = x.mm(w1).clamp(min=0).mm(w2) loss = (y_pred - y).pow(2).sum() if t % 100 == 99: print(t, loss.item()) loss.backward() with torch.no_grad(): w1 -= learning_rate * w1.grad w2 -= learning_rate * w2.grad w1.grad.zero_() w2.grad.zero_()

对于需要计算导数的变量(w1和w2)创建时设定requires_grad=True,之后对于由它们参与计算的变量(例如loss),可以使用loss.backward()函数求出loss对所有requires_grad=True的变量的梯度,保存在w1.grad和w2.grad中。

在迭代w1和w2后,即使用完w1.grad和w2.grad后,使用zero_函数清空梯度。  

nn

model = torch.nn.Sequential( torch.nn.Linear(D_in, H), torch.nn.ReLU(), torch.nn.Linear(H, D_out),)loss_fn = torch.nn.MSELoss(reduction='sum')learning_rate = 1e-4for t in range(500): y_pred = model(x) loss = loss_fn(y_pred, y) if t % 100 == 99: print(t, loss.item()) model.zero_grad() loss.backward() with torch.no_grad(): for param in model.parameters(): param -= learning_rate * param.grad

optim

optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)for t in range(500): y_pred = model(x) loss = loss_fn(y_pred, y) if t % 100 == 99: print(t, loss.item()) optimizer.zero_grad() loss.backward() optimizer.step()四、训练

迭代进行训练以及测试,其中训练的函数train里就保存了进行梯度下降求解的方法

# 定义训练函数,需要def train(dataloader, model, loss_fn, optimizer): size = len(dataloader.dataset) # 从数据加载器中读取batch(一次读取多少张,即批次数),X(图片数据),y(图片真实标签)。 for batch, (X, y) in enumerate(dataloader): # 将数据存到显卡 X, y = X.to(device), y.to(device) # 得到预测的结果pred pred = model(X) # 计算预测的误差 # print(pred,y) loss = loss_fn(pred, y) # 反向传播,更新模型参数 optimizer.zero_grad() #梯度清零 loss.backward() #反向传播 optimizer.step() #更新参数 # 每训练10次,输出一次当前信息 if batch % 10 == 0: loss, current = loss.item(), batch * len(X) print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")

设置为测试模型并设置不计算梯度,进行测试数据集的加载,判断预测值与实际标签是否一致,统一正确信息个数

# 将模型转为验证模式model.eval()# 测试时模型参数不用更新,所以no_gard()with torch.no_grad(): # 加载数据加载器,得到里面的X(图片数据)和y(真实标签) for X, y in dataloader: 加载数据 pred = model(X)#进行预测 # 预测值pred和真实值y的对比 test_loss += loss_fn(pred, y).item() # 统计预测正确的个数 correct += (pred.argmax(1) == y).type(torch.float).sum().item()#返回相应维度的最大值的索引test_loss /= sizecorrect /= sizeprint(f"correct = {correct}, Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")附录

mark一下很有用的博客

pytorch代码编写入门 - 简书

推荐给大家!Pytorch编写代码基本步骤思想 - 知乎

用pytorch实现神经网络_徽先生的博客-CSDN博客_pytorch 神经网络

Dataset、DataLoader

① 创建一个 Dataset 对象 ② 创建一个 DataLoader 对象 ③ 循环这个 DataLoader 对象,将xx, xx加载到模型中进行训练

pytorch从零开始搭建神经网络(pytorch新手入门)

DataLoader详解_sereasuesue的博客-CSDN博客_dataloader

都会|可能会_深入浅出 Dataset 与 DataLoader

Pytorch加载自己的数据集(使用DataLoader读取Dataset)_l8947943的博客-CSDN博客_pytorch dataloader读取数据

可以直接调用的数据集

https://www.pianshen.com/article/9695297328/

nn.Sequential

pytorch教程之nn.Sequential类详解——使用Sequential类来自定义顺序连接模型_LoveMIss-Y的博客-CSDN博客_sequential类

nn.Module

torch.nn.Module是torch.nn.functional中方法的实例化

pytorch教程之nn.Module类详解——使用Module类来自定义模型_LoveMIss-Y的博客-CSDN博客_torch.nn.module

对应Sequential的三种包装方式,Module有三种写法

model.train() 和 model.eval() model.train()for epoch in range(epoch): for train_batch in train_loader: ... zhibiao = test(epoch, test_loader, model)def test(epoch, test_loader, model): model.eval() for test_batch in test_loader: ... return zhibiao

【Pytorch】model.train() 和 model.eval() 原理与用法_想变厉害的大白菜的博客-CSDN博客_pytorch train()

pytroch:model.train()、model.eval()的使用_像风一样自由的小周的博客-CSDN博客_model.train()放在程序的哪个位置

model = ...dataset = ...loss_fun = ...# traininglr=0.001model.train()for x,y in dataset: model.zero_grad() p = model(x) l = loss_fun(p, y) l.backward() for p in model.parameters(): p.data -= lr*p.grad# evaluatingsum_loss = 0.0model.eval()with torch.no_grad(): for x,y in dataset: p = model(x) l = loss_fun(p, y) sum_loss += lprint('total loss:', sum_loss)

https://www.jb51.net/article/211954.htm

损失

MAE:

import torchfrom torch.autograd import Variablex = Variable(torch.randn(100, 100))y = Variable(torch.randn(100, 100))loos_f = torch.nn.L1Loss()loss = loos_f(x,y)

MSE:

import torchfrom torch.autograd import Variablex = Variable(torch.randn(100, 100))y = Variable(torch.randn(100, 100))loos_f = torch.nn.MSELoss()#定义loss = loos_f(x, y)#调用

torch.nn中常用的损失函数及使用方法_加油上学人的博客-CSDN博客_nn损失函数

优化器

pytorch 优化器调参以及正确用法 - 简书

训练&测试

基于pytorch框架下的一个简单的train与test代码_黎明静悄悄啊的博客-CSDN博客

图神经网络

1. GCN、GAT

图神经网络及其Pytorch实现_jiangchao98的博客-CSDN博客_pytorch 图神经网络

2. 用DGL

PyTorch实现简单的图神经网络_梦家的博客-CSDN博客_pytorch图神经网络

一文看懂图神经网络GNN,及其在PyTorch框架下的实现(附原理+代码) - 知乎

图神经网络的不足

•扩展性差,因为训练时需要用到包含所有节点的邻接矩阵,是直推性的(transductive)

•局限于浅层,图神经网络只有两层

•不能作用于有向图

3. 用PyG

图神经网络框架-PyTorch Geometric(PyG)的使用__Old_Summer的博客-CSDN博客_pytorch-geometric

本文链接地址:https://www.jiuchutong.com/zhishi/300852.html 转载请保留说明!

上一篇:自动驾驶入门必须要学会的ADAS(详解)(自动驾驶科普)

下一篇:基于OC端的Bridge-API组件化应用(oc底层原理)

  • 淘宝店铺怎么上货(淘宝店铺怎么上传营业执照和食品经营许可证)

    淘宝店铺怎么上货(淘宝店铺怎么上传营业执照和食品经营许可证)

  • 换苹果手机怎么把照片传过去(换苹果手机怎么导入通讯录联系人)

    换苹果手机怎么把照片传过去(换苹果手机怎么导入通讯录联系人)

  • 苹果xs照相偏黄如何调节(iphonex拍照偏黄)

    苹果xs照相偏黄如何调节(iphonex拍照偏黄)

  • 宽带pppoe是什么意思(pppoe是什么上网方式)

    宽带pppoe是什么意思(pppoe是什么上网方式)

  • qq视频最多几个人开摄像头(qq能放多少视频)

    qq视频最多几个人开摄像头(qq能放多少视频)

  • 手机没浸水,喇叭声音不正常了怎么办(手机没进水,喇叭声音小而且沙哑)

    手机没浸水,喇叭声音不正常了怎么办(手机没进水,喇叭声音小而且沙哑)

  • 苹果最近删除里的照片删了还能恢复吗(苹果最近删除里的照片怎么恢复)

    苹果最近删除里的照片删了还能恢复吗(苹果最近删除里的照片怎么恢复)

  • qq第一次封号多长时间(qq一般封多久)

    qq第一次封号多长时间(qq一般封多久)

  • 手机白屏关不了机怎么办(手机白屏关不了机)

    手机白屏关不了机怎么办(手机白屏关不了机)

  • 显卡驱动要装c盘吗(显卡驱动要装在哪个盘)

    显卡驱动要装c盘吗(显卡驱动要装在哪个盘)

  • 充电孔如何除尘(充电孔怎么除尘)

    充电孔如何除尘(充电孔怎么除尘)

  • 英伟达是做什么的(英伟达做什么电脑)

    英伟达是做什么的(英伟达做什么电脑)

  • 腾讯会议电脑端可不可以录屏(腾讯会议电脑端如何退出账号登录)

    腾讯会议电脑端可不可以录屏(腾讯会议电脑端如何退出账号登录)

  • 计算机网络什么时候出现的(计算机网络什么时候诞生)

    计算机网络什么时候出现的(计算机网络什么时候诞生)

  • 因特网接入方式及特点(因特网接入方式五种)

    因特网接入方式及特点(因特网接入方式五种)

  • 怎么删除oppo手机自带软件(怎么删除oppo手表上的应用)

    怎么删除oppo手机自带软件(怎么删除oppo手表上的应用)

  • 如何设置尾注(如何设置尾注上角标格式)

    如何设置尾注(如何设置尾注上角标格式)

  • vivo手机掉水里怎么办(vivo手机掉水里了正确处理方法)

    vivo手机掉水里怎么办(vivo手机掉水里了正确处理方法)

  • 华为手机屏保图片自动下载怎么关闭(华为手机屏保图片怎么下载)

    华为手机屏保图片自动下载怎么关闭(华为手机屏保图片怎么下载)

  • realmex有没有nfc(realmex有没有超广角)

    realmex有没有nfc(realmex有没有超广角)

  • 手机后面两个摄像头有什么用(手机后面两个摄像头的手机有哪几个)

    手机后面两个摄像头有什么用(手机后面两个摄像头的手机有哪几个)

  • 京医通怎么给别人挂号(京医通能给别人挂号吗)

    京医通怎么给别人挂号(京医通能给别人挂号吗)

  • rmt命令  远端磁带传输协议模块

    rmt命令 远端磁带传输协议模块

  • python静态方法如何定义(python3 静态方法)

    python静态方法如何定义(python3 静态方法)

  • 免抵税额计入什么科目
  • 促销费用计入销售费用哪个科目
  • 营业外收入怎么算增值税
  • 工程款按进度付款开票分录
  • 税务机关如何正确行使代位权
  • 房地产企业拆迁补偿契税政策
  • 累计折旧的计提分录怎么写
  • 股息红利税补缴什么意思
  • 客户往来对账单
  • 企业交的社保是什么
  • 增值税红字发票怎么做账
  • 一个季度发票开超出9万
  • 小规模税局代增值税专用发票怎么交税
  • 油票需要填纳税信息吗
  • 房地产企业不可能没有合同台账
  • 机票抵扣增值税需要什么凭证
  • 开的技术服务费可以做研发支出吗?
  • 开出技术服务费怎么结转成本
  • 金融资产有哪三类代码
  • 辞退补偿金怎么算n1吗
  • 收到服务费的发票怎么做
  • 税务局返还的手续费需开发票吗
  • mac电脑修改dns
  • word的拼写检查总是变成法语
  • php mb_convert_encoding
  • vue引入mui
  • windows 阅读软件
  • php快速下载文件
  • php新手入门教程
  • thinkphp框架作用
  • phpstudy目录
  • 简述php图像操作的基本步骤
  • cookie与session的作用和原理
  • 数据库管理系统能对数据库中的数据进行查询
  • discuz去除底部
  • 商业折扣的会计分录
  • 织梦cms要钱吗
  • phpcms 标签
  • 劳务公司已开票怎么入账
  • 员工意外伤害险入什么会计科目
  • 交易性金融资产属于流动资产
  • 公司多交的社保费法律规定需要退还吗
  • 银行汇票转入银行分录
  • 建筑劳务清包工账务处理
  • 半成品怎么核算成本做账
  • 利润分配和所有者权益的关系
  • 企业解散清算程序
  • 职工薪酬一般计入哪些科目进行核算
  • 小企业会计准则和一般企业会计准则的区别
  • 子公司利润母公司还有其他方式吗
  • 出纳可以做库管吗
  • 水利基金和印花税会计分录
  • 本月增值税申报截止日
  • 工业企业建立账套
  • sqlserver排序规则怎么看
  • mysql5.7免安装版
  • xp系统开机checking
  • 服务器centos版本选择
  • winxp怎么设置启动项
  • members-area.exe是什么进程 members-area进程查询
  • win7系统资源管理器无响应
  • Win10 64位系统下QQ语音和QQ视频音量很小的两种解决方法
  • win10家庭版如何设置永不更新
  • 【Cocso2d-x Lua笔记五】quick中的display
  • Unity3D游戏开发引擎
  • nodejs读取文件和写文件的方法
  • jquery怎么获取
  • node.jsexpress
  • python抢红包
  • 深入理解javascript特性
  • python简要介绍
  • javascript 面向对象
  • 厂房转让的土地税怎么算
  • 陕西国家电子税务局2.0
  • 税务局绩效工作总结
  • 车辆购置税退税需要什么资料
  • 出租场地的税费
  • 婚姻登记处婚俗改革宣传
  • 怎么登录吉林省公务员网络培训学院
  • 小规模纳税人收什么税
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设