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

使用Python实现IP地址和端口状态检测与监控

使用Python实现IP地址和端口状态检测与监控

《使用Python实现IP地址和端口状态检测与监控》在网络运维和服务器管理中,IP地址和端口的可用性监控是保障业务连续性的基础需求,本文将带你用Python从零打造一个高可用IP监控系统,感兴趣的小伙... 目录概述：为什么需要IP监控系统使用步骤说明1. 环境准备2. 系统部署3. 核心功能配置系统效果展
阅读更多...
Python实现微信自动锁定工具

Python实现微信自动锁定工具

《Python实现微信自动锁定工具》在数字化办公时代,微信已成为职场沟通的重要工具,但临时离开时忘记锁屏可能导致敏感信息泄露,下面我们就来看看如何使用Python打造一个微信自动锁定工具吧... 目录引言：当微信隐私遇到自动化守护效果展示核心功能全景图技术亮点深度解析1. 无操作检测引擎2. 微信路径智能获
阅读更多...
Python中pywin32 常用窗口操作的实现

Python中pywin32 常用窗口操作的实现

《Python中pywin32常用窗口操作的实现》本文主要介绍了Python中pywin32常用窗口操作的实现,pywin32主要的作用是供Python开发者快速调用WindowsAPI的一个... 目录获取窗口句柄获取最前端窗口句柄获取指定坐标处的窗口根据窗口的完整标题匹配获取句柄根据窗口的类别匹配获取句
阅读更多...
在 Spring Boot 中实现异常处理最佳实践

在 Spring Boot 中实现异常处理最佳实践

《在SpringBoot中实现异常处理最佳实践》本文介绍如何在SpringBoot中实现异常处理,涵盖核心概念、实现方法、与先前查询的集成、性能分析、常见问题和最佳实践,感兴趣的朋友一起看看吧... 目录一、Spring Boot 异常处理的背景与核心概念1.1 为什么需要异常处理？1.2 Spring B
阅读更多...
判断PyTorch是GPU版还是CPU版的方法小结

判断PyTorch是GPU版还是CPU版的方法小结

《判断PyTorch是GPU版还是CPU版的方法小结》PyTorch作为当前最流行的深度学习框架之一,支持在CPU和GPU(NVIDIACUDA)上运行,所以对于深度学习开发者来说,正确识别PyTor... 目录前言为什么需要区分GPU和CPU版本？性能差异硬件要求如何检查PyTorch版本？方法1：使用命
阅读更多...
Python位移操作和位运算的实现示例

Python位移操作和位运算的实现示例

《Python位移操作和位运算的实现示例》本文主要介绍了Python位移操作和位运算的实现示例,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,需要的朋友们下面随着小编来一... 目录1. 位移操作1.1 左移操作 (<<)1.2 右移操作 (>>)注意事项：2. 位运算2.1
阅读更多...
如何在 Spring Boot 中实现 FreeMarker 模板

如何在 Spring Boot 中实现 FreeMarker 模板

《如何在SpringBoot中实现FreeMarker模板》FreeMarker是一种功能强大、轻量级的模板引擎,用于在Java应用中生成动态文本输出（如HTML、XML、邮件内容等）,本文... 目录什么是 FreeMarker 模板？在 Spring Boot 中实现 FreeMarker 模板1. 环
阅读更多...
Qt实现网络数据解析的方法总结

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理（处理粘包/拆包）3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义
阅读更多...
SpringMVC 通过ajax 前后端数据交互的实现方法

SpringMVC 通过ajax 前后端数据交互的实现方法

《SpringMVC通过ajax前后端数据交互的实现方法》：本文主要介绍SpringMVC通过ajax前后端数据交互的实现方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价... 在前端的开发过程中，经常在html页面通过AJAX进行前后端数据的交互，SpringMVC的controll
阅读更多...
Spring Security自定义身份认证的实现方法

Spring Security自定义身份认证的实现方法

《SpringSecurity自定义身份认证的实现方法》：本文主要介绍SpringSecurity自定义身份认证的实现方法,下面对SpringSecurity的这三种自定义身份认证进行详细讲解,... 目录1.内存身份认证（1）创建配置类（2）验证内存身份认证2.JDBC身份认证（1）数据准备 （2）配置依
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2