pytorch 机器学习

2020-10-06

字数统计: 322字 | 阅读时长≈ 1分

用 pytorch 机器学习

Pytorch 基础语法

张量

torch.Tensor - 一个多维数组，支持诸如backward()等的自动求导操作，同时也保存了张量的梯度。

pytorch autograd 自动求导

autograd.Function - 实现了自动求导前向和反向传播的定义，每个Tensor至少创建一个Function节点，该节点连接到创建Tensor的函数并对其历史进行编码。

torch.nn 构建神经网络

一个nn.Module包含各个层和一个forward(input)方法，该方法返回output

Pytorch 深度学习框架

1. 定义网络

import torch
import torch.nn as nn

class Net(nn.Module):
    """
    初始化函数，接收自定义输入特征维数，隐层特征维数，输出层特征维数
    """
    def __init__(self, n_features, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_features, n_hidden)
        self.predict = torch.nn.Linear(n_hidden, n_output)
    
    """
    前向传播
    """
    def forward(self, x):
        x = torch.sigmoid(self.hidden(x))
        x = self.predict(x)
        out = F.log_softmax(x, dim=1)
        return out

2. 实例化网络

1 2	net = Net(n_features=4, n_hidden=5, n_output=4) print(net)

3. 训练

from torch.optim import SGD
## 定义优化器
optimizer = SGD(net.parameters(), lr=0.5)
for i in range(100):
     # 清零梯度缓存
    optimizer.zero_grad()
   
    ## 计算模型结果
    prediction = net(x)
    # 计算 loss
    loss = F.nll_loss(prediction, y)
 
    #loss 反向传播
    loss.backward()
    # 更新参数
    optimizer.step()

本文作者： Kelly Liu
本文链接： http://tiantianliu2018.github.io/2020/10/06/pytorch-机器学习/
版权声明： 本博客所有文章除特别声明外，均采用 MIT 许可协议。转载请注明出处！