Pytorch入门——基础知识及实现两层网络

2024-01-24 19:48
文章标签 实现 入门 网络 pytorch 基础知识 两层

本文主要是介绍Pytorch入门——基础知识及实现两层网络，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Pytorch基础知识

内容来源：
B站视频——最好的PyTorch的入门与实战教程（16小时实战）

import torch
import numpy as nptorch.empty(5,3)  # 创建未初始化的矩阵x1 = torch.rand(5,3)  # 随机初始化矩阵x2 = torch.zeros(5,3)  # 全部为0矩阵x3 = torch.zeros(5,3, dtype=torch.long)  # 数据类型变为long
# x3 = torch.zeros(5,3).long() 效果一样x4 = torch.tensor([5.5, 3])  # 从数据直接构建tensorx5 = x4.new_ones(5,3)  # 根据已有tensor构建一个tensor，这些方法会重用原来tensor的特征。例如数据类型x6 = x4.new_ones(5,3, dtype=torch.double)torch.rand_like(x5, dtype=torch.float)# 得到tensor的形状
x5.shape
x5.size# 运算
y1 = torch.rand(5,3)
print(y1)
# add
x1 + y1
torch.add(x1, y1)result = torch.empty(5,3)
torch.add(x1, y1, out=result)
print(result)  # 把输出作为一个变量# In-place operation
y1.add_(x1)  # 把操作保存在y1里面
print(y1)
# 任何in-place运算都会以_结尾。  x.copy_(y)   x.t_()会改变x# 各种Numpy的indexing都可以在Pytorch tensor上使用
print(y1[:, 1:])  # 把所有行留下，把第一列之后的留下，相当于第零列舍去
print(y1[1:, 1:])  # 舍弃第零行，第零列# 如果希望resize一个tensor，可以使用torch.view
x7 = torch.randn(4,4)
y2 = x7.view(16)  # 变成16维
y3 = x7.view(2,8)  # 2x8 matrix
y3 = x7.view(2,-1)  # 会自动算出对应的为数，16/2 = 8， 但不能写两个-1
# 要能被16整除，因此出现（-1， 5）会报错# 若只有一个元素的tensor，使用.item()可以把里面的value变成python数值
x8 = torch.randn(1)
print(x8.data)  # 仍返回一个tensor
print(x8.grad)  # 返回一个grad
print(x8.item())  # 返回一个数字
print(y3.transpose(1, 0))  # 将y3进行转置# 在Numpy和Tensor之间转换
# Torch Tensor 和 Numpy Array 共享内存，改变其中一项另一项也改变
a = torch.ones(5)
b = a.numpy()
b[1] = 2
print(a)# 把Numpy ndarry转成Torch Tensor
c = np.ones(5)
d = torch.from_numpy(c)
np.add(c, 1, out = c)
print(c)
print(d)# CUDA Tensors
if torch.cuda.is_available():device = torch.device("cuda")          # a CUDA device objecty = torch.ones_like(x7, device=device)  # directly create a tensor on GPUx7 = x7.to(device)                       # or just use strings ``.to("cuda")``z = x7 + yprint(z)print(z.to("cpu", torch.double))       # ``.to`` can also change dtype together!# numpy是在CPU上操作的
# y.to("cpu").data.numpy()
# y.cpu().data.numpy()

使用Numpy实现两层模型

'''
用numpy实现两层神经网络，一个隐藏层，没有bias，用来从x预测y，使用L2 loss
h = W_1X + b_1
a = max(0,h)
y_hat = w_2a + b_2numpy ndarray 是一个普通的n维array
'''
import numpy as npN, D_in, H, D_out = 64, 1000, 100, 10  # 输入64个变量，输入是1000维，输出10维，中间层H为100维# 随机创建一些训练数据
x = np.random.randn(N, D_in)
y = np.random.randn(N, D_out)w1 = np.random.randn(D_in, H)
w2 = np.random.randn(H, D_out)learning_rate = 1e-6
for t in range(500):  # forward passh = x.dot(w1)    # N*H  点积h_relu = np.maximum(h, 0)  # N*Hy_pred = h_relu.dot(w2)  # N*D_out# compute lossloss = np.square(y_pred - y).sum()print(t, loss)# backward pass, compute the gradientgrad_y_pred = 2.0*(y_pred - y)grad_w2 = h_relu.T.dot(grad_y_pred)grad_h_relu = grad_y_pred.dot(w2.T)grad_h = grad_h_relu.copy()grad_h[h<0] = 0grad_w1 = x.T.dot(grad_h)# update weights of w1 and w2w1 -= learning_rate*grad_w1w2 -= learning_rate*grad_w2

使用pytorch实现两层模型

手动实现反向传播及更新

import torchN, D_in, H, D_out = 64, 1000, 100, 10  # 输入64个变量，输入是1000维，输出10维，中间层H为100维# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)w1 = torch.randn(D_in, H)
w2 = torch.randn(H, D_out)learning_rate = 1e-6
for t in range(500):  # forward passh = x.mm(w1)    # N*H  matrix multipulication点积h_relu = h.clamp(min=0)  # N*H  类似于夹子，把值夹在min和max之间y_pred = h_relu.mm(w2)  # N*D_out# compute lossloss = (y_pred - y).pow(2).sum().item()  # 要转成数字print(t, loss)# backward pass, compute the gradientgrad_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] = 0grad_w1 = x.t().mm(grad_h)# update weights of w1 and w2w1 -= learning_rate*grad_w1w2 -= learning_rate*grad_w2

自动实现反向传播

import torchN, D_in, H, D_out = 64, 1000, 100, 10  # 输入64个变量，输入是1000维，输出10维，中间层H为100维# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)w1 = torch.randn(D_in, H, requires_grad=True)
w2 = torch.randn(H, D_out, requires_grad=True)learning_rate = 1e-6
for t in range(500):  # forward pass# h = x.mm(w1)    # N*H  matrix multipulication点积# h_relu = h.clamp(min=0)  # N*H  类似于夹子，把值夹在min和max之间y_pred = x.mm(w1).clamp(min=0).mm(w2)  # N*D_out# compute lossloss = (y_pred - y).pow(2).sum()  #computation graphprint(t, loss.item())# backward pass, compute the gradientloss.backward()# update weights of w1 and w2# 为了不让计算图占内存，不会记住w1和w2的值with torch.no_grad():w1 -= learning_rate*w1.gradw2 -= learning_rate*w2.gradw1.grad.zero_()  # 避免多次计算累加导致错误w2.grad.zero_()

使用pytorch的nn库实现两层网络

'''
用nn库来构建网络 neural network
用autograd来构建计算图和计算gradients
'''
import torch
import torch.nn as nnN, D_in, H, D_out = 64, 1000, 100, 10  # 输入64个变量，输入是1000维，输出10维，中间层H为100维# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)model = torch.nn.Sequential(torch.nn.Linear(D_in, H),  # w_1*x + b_1torch.nn.ReLU(),torch.nn.Linear(H, D_out)
)# 把初始化变成normal distribution会让模型效果好很多
torch.nn.init.normal_(model[0].weight)
torch.nn.init.normal_(model[2].weight)# model = model.cuda()loss_fn = nn.MSELoss(reduction='sum')learning_rate = 1e-6
for t in range(500):  # forward passy_pred = model(x)  # model.forward()# compute lossloss = loss_fn(y_pred, y)  # computation graphprint(t, loss.item())model.zero_grad()  # 将梯度清零避免叠加# backward pass, compute the gradientloss.backward()# update weights of w1 and w2with torch.no_grad():for param in model.parameters():param -= learning_rate*param.grad

使用optim进行自动优化

'''
用nn库来构建网络 neural network
用autograd来构建计算图和计算gradients
'''
import torch
import torch.nn as nnN, D_in, H, D_out = 64, 1000, 100, 10  # 输入64个变量，输入是1000维，输出10维，中间层H为100维# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)model = torch.nn.Sequential(torch.nn.Linear(D_in, H),  # w_1*x + b_1torch.nn.ReLU(),torch.nn.Linear(H, D_out)
)# model = model.cuda()loss_fn = nn.MSELoss(reduction='sum')
learning_rate = 1e-4
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
# Adam 的学习率一般在1e-3到1e-4
# 若用SGD，则需要把初始值做一下nomalization，不知道为什么，但是loss会变得很小，玄学for t in range(500):  # forward passy_pred = model(x)  # model.forward()# compute lossloss = loss_fn(y_pred, y)  # computation graphprint(t, loss.item())optimizer.zero_grad()  # 将梯度清零避免叠加# backward pass, compute the gradientloss.backward()# update model parametersoptimizer.step()  # optimizer会更新

使用自定义神经网络

'''
用nn库来构建网络 neural network
用autograd来构建计算图和计算gradients
'''
import torch
import torch.nn as nnN, D_in, H, D_out = 64, 1000, 100, 10  # 输入64个变量，输入是1000维，输出10维，中间层H为100维# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)# 把所有的module写在__init__里面，把每一个有导数的层放在init里面，在init里面定义模型的框架
class TwoLayerNet(torch.nn.Module):def __init__(self, D_in, H, D_out):super(TwoLayerNet, self).__init__()self.linear1 = torch.nn.Linear(D_in, H, bias=False)self.linear2 = torch.nn.Linear(H, D_out, bias=False)def forward(self, x):  # 前向传播的过程y_pred = self.linear2(self.linear1(x).clamp(min=0))return y_predmodel = TwoLayerNet(D_in, H, D_out)loss_fn = nn.MSELoss(reduction='sum')
learning_rate = 1e-4
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
# Adam 的学习率一般在1e-3到1e-4
# 若用SGD，则需要把初始值做一下nomalization，不知道为什么，但是loss会变得很小，玄学for t in range(500):  # forward passy_pred = model(x)  # model.forward()# compute lossloss = loss_fn(y_pred, y)  # computation graphprint(t, loss.item())optimizer.zero_grad()  # 将梯度清零避免叠加# backward pass, compute the gradientloss.backward()# update model parametersoptimizer.step()  # optimizer会更新

这篇关于Pytorch入门——基础知识及实现两层网络的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/640814。

相关文章

python使用watchdog实现文件资源监控

python使用watchdog实现文件资源监控

《python使用watchdog实现文件资源监控》watchdog支持跨平台文件资源监控,可以检测指定文件夹下文件及文件夹变动,下面我们来看看Python如何使用watchdog实现文件资源监控吧... python文件监控库watchdogs简介随着Python在各种应用领域中的广泛使用，其生态环境也
阅读更多...
el-select下拉选择缓存的实现

el-select下拉选择缓存的实现

《el-select下拉选择缓存的实现》本文主要介绍了在使用el-select实现下拉选择缓存时遇到的问题及解决方案,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录项目场景：问题描述解决方案：项目场景：从左侧列表中选取字段填入右侧下拉多选框，用户可以对右侧
阅读更多...
Python pyinstaller实现图形化打包工具

Python pyinstaller实现图形化打包工具

《Pythonpyinstaller实现图形化打包工具》：本文主要介绍一个使用PythonPYQT5制作的关于pyinstaller打包工具,代替传统的cmd黑窗口模式打包页面,实现更快捷方便的... 目录1.简介2.运行效果3.相关源码1.简介一个使用python PYQT5制作的关于pyinstall
阅读更多...
使用Python实现大文件切片上传及断点续传的方法

使用Python实现大文件切片上传及断点续传的方法

《使用Python实现大文件切片上传及断点续传的方法》本文介绍了使用Python实现大文件切片上传及断点续传的方法,包括功能模块划分（获取上传文件接口状态、临时文件夹状态信息、切片上传、切片合并）、整... 目录概要整体架构流程技术细节获取上传文件状态接口获取临时文件夹状态信息接口切片上传功能文件合并功能小
阅读更多...
python实现自动登录12306自动抢票功能

python实现自动登录12306自动抢票功能

《python实现自动登录12306自动抢票功能》随着互联网技术的发展,越来越多的人选择通过网络平台购票,特别是在中国,12306作为官方火车票预订平台,承担了巨大的访问量,对于热门线路或者节假日出行... 目录一、遇到的问题？二、改进三、进阶–展望总结一、遇到的问题？1.url-正确的表头：就是首先ur
阅读更多...
C#实现文件读写到SQLite数据库

C#实现文件读写到SQLite数据库

《C#实现文件读写到SQLite数据库》这篇文章主要为大家详细介绍了使用C#将文件读写到SQLite数据库的几种方法,文中的示例代码讲解详细,感兴趣的小伙伴可以参考一下... 目录1. 使用 BLOB 存储文件2. 存储文件路径3. 分块存储文件《文件读写到SQLite数据库China编程的方法》博客中，介绍了文
阅读更多...
Redis主从复制实现原理分析

Redis主从复制实现原理分析

《Redis主从复制实现原理分析》Redis主从复制通过Sync和CommandPropagate阶段实现数据同步,2.8版本后引入Psync指令,根据复制偏移量进行全量或部分同步,优化了数据传输效率... 目录Redis主DodMIK从复制实现原理实现原理Psync: 2.8版本后总结Redis主从复制实
阅读更多...
JAVA利用顺序表实现“杨辉三角”的思路及代码示例

JAVA利用顺序表实现“杨辉三角”的思路及代码示例

《JAVA利用顺序表实现“杨辉三角”的思路及代码示例》杨辉三角形是中国古代数学的杰出研究成果之一,是我国北宋数学家贾宪于1050年首先发现并使用的,：本文主要介绍JAVA利用顺序表实现杨辉三角的思... 目录一：“杨辉三角”题目链接二：题解代码：三：题解思路：总结一：“杨辉三角”题目链接题目链接：点击这里
阅读更多...
基于Python实现PDF动画翻页效果的阅读器

基于Python实现PDF动画翻页效果的阅读器

《基于Python实现PDF动画翻页效果的阅读器》在这篇博客中,我们将深入分析一个基于wxPython实现的PDF阅读器程序,该程序支持加载PDF文件并显示页面内容,同时支持页面切换动画效果,文中有详... 目录全部代码代码结构初始化 UI 界面加载 PDF 文件显示 PDF 页面页面切换动画运行效果总结主
阅读更多...
SpringBoot实现基于URL和IP的访问频率限制

SpringBoot实现基于URL和IP的访问频率限制

《SpringBoot实现基于URL和IP的访问频率限制》在现代Web应用中,接口被恶意刷新或暴力请求是一种常见的攻击手段,为了保护系统资源,需要对接口的访问频率进行限制,下面我们就来看看如何使用... 目录1. 引言2. 项目依赖3. 配置 Redis4. 创建拦截器5. 注册拦截器6. 创建控制器8.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2