建数据库的网站多少钱,id中怎么链接wordpress,政法大学 wordpress,上海开办企业一窗通Pytorch入门 简单容易上手#xff0c;感觉比keras好理解多了#xff0c;和mxnet很像#xff08;似乎mxnet有点借鉴pytorch#xff09;#xff0c;记一记。 直接从例子开始学#xff0c;基础知识咱已经看了很多论文了。。。 import torch import torch.nn as nn import to… Pytorch入门 简单容易上手感觉比keras好理解多了和mxnet很像似乎mxnet有点借鉴pytorch记一记。 直接从例子开始学基础知识咱已经看了很多论文了。。。 import torch import torch.nn as nn import torch.nn.functional as F # Linear 层 就是全连接层 class Net(nn.Module): # 继承nn.Module只用定义forward反向传播会自动生成def __init__(self): # 初始化方法,这里的初始化是为了forward函数可以直接调过来super(Net,self).__init__() # 调用父类初始化方法# (input_channel,output_channel,kernel_size)self.conv1 nn.Conv2d(1,6,5) # 第一层卷积self.conv2 nn.Conv2d(6,16,5)# 第二层卷积self.fc1 nn.Linear(16*5*5,120) # 这里16*5*5是前向算的self.fc2 nn.Linear(120,84) # 第二层全连接self.fc3 nn.Linear(84,10) # 第三层全连接-分类def forward(self,x):x F.max_pool2d(F.relu(self.conv1(x)),(2,2)) # 卷积一次激活一次然后2*2池化一次x F.max_pool2d(F.relu(self.conv2(x)),2) # (2,2)与直接写 2 等价x x.view(-1,self.num_flatten_features(x)) # 将x展开成向量x F.relu(self.fc1(x)) # 全连接 激活x F.relu(self.fc2(x)) # 全连接 激活x self.fc3(x) # 最后再全连接return xdef num_flatten_features(self,x):size x.size()[1:] # 除了batch_size以外的维度,(batch_size,channel,h,w)num_features 1for s in size:num_features*sreturn num_features # ok,模型定义完毕。 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_features400, out_features120, biasTrue)(fc2): Linear(in_features120, out_features84, biasTrue)(fc3): Linear(in_features84, out_features10, biasTrue) )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_fnAddmmBackward)target torch.randn(10) criterion nn.MSELoss() loss criterion(out,target) print(loss)tensor(0.5742, grad_fnMseLossBackward)net.zero_grad()# 梯度归零 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() # 一个step完成多个step就写在循环里pytorch简直太好理解了。。继续蓄力 转载于:https://www.cnblogs.com/aoru45/p/10623046.html