Pytorch神经网络深度学习模型（理论+实践）附代码及报错调试

已于 2023-07-10 16:01:12 修改
阅读量2.6k 收藏 36
点赞数 3
分类专栏： 神经网络模型 深度学习 Pytorch 文章标签： 神经网络 学习 深度学习
于 2023-06-25 17:35:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/MyYaip/article/details/131382345
版权

文章目录

神经网络（理论）

深度学习模型 = 复杂的神经网络模型

  • CNN 卷积神经网络

卷积神经网络*（Convolutional Neural Networks）是深度学习中非常常见的算法（模型），其在图像处理中应用广泛*，基于CNN的专利申请近些年也增长迅速。

  • GNN 图神经网络

图（graph）是一种数据结构，常⻅的图结构包含节点（node）和边（edge），GNN是深度学习在图结构上的一个分支。

  • RNN 循环神经网络

循环神经网络*（Recurrent Neural Network）是一类具有短期记忆能力的神经网络，因而常用于文本数据处理*。

  • GAN 生成对抗网络

GAN属于人工智能领域：通过对某一事物大量数据的学习，来学习总结出其在数学层面上的分布规律，构建出合理的映射函数，从而解决现实问题，主要用于图片生成。

  • Auto-Encoder 自编码器

Auto-Encoder，中文称作自编码器，是一种无监督式学习模型，它基于反向传播算法与最优化方法（如梯度下降法）。

  • Transformer 变形金刚模型

Transformer是一个利用注意力机制来提高模型训练速度的模型。

神经网络的层级结构

神经网络*（Neural Network）是一种模仿生物神经系统的计算模型，用于解决分类、回归、生成等机器学习问题。神经网络的层级结构通常包括输入层、隐藏层和输出层，每一层都由若干个神经元（或称为节点）组成，其中每个节点又被成为感知机模型*。
在这里插入图片描述

  1. 输入层：为接收数据的网络第一层。
  2. 输出层：为输出数据的网络的最后一层。
  3. 隐藏层：每一个层数、节点都是一个超参数，可以任意手动调节。

神经网络对数据的特征提取

在这里插入图片描述

xi为输入数据，wi为权重，b为偏置，黄色节点进行处理，y为结果。
y = ( ∑ i = 1 n x i × w i ) + b y = (\sum_{i=1}^{n} x_{i}\times w_{i})+ b y=(i=1∑n​xi​×wi​)+b

神经网络的pytorch API

在这里插入图片描述

神经网络在pytorch中被封装为一个类torch.nn.Linear，其中：

  • in_features为输入数据数量
  • out_features为输出数据数量
  • bias为偏置，默认为随机初始数
  • device为指定当前神经网络计算时环境
  • dtype为指定计算所用的数据类型，推荐使用浮点型

神经网络的有监督训练

在这里插入图片描述

减小预测值Predication和真值之间的Distance

损失函数loss fuction，例如：
l o s s = 1 2 ( y − y ^ ) 2 loss = \frac{1}{2} (y-\hat{y})^{2} loss=21​(y−y^​)2

神经网络的梯度下降

梯度下降*（Gradient Descent GD）简单来说就是一种寻找目标函数最小化*的方法，它利用梯度信息，通过不断迭代调整参数来寻找合适的目标值。

在这里插入图片描述

θ = θ ′ − l r ⋅ g \theta =\theta ^{'} - lr·g θ=θ′−lr⋅g
其中 lr 为学习速率， g 为梯度*（即求导）*。

pytorch在深度学习中的作用

在这里插入图片描述

  • 第一步Train Data ：pytorch负责数据集的加载——DataLoader（自定义数据加载）。
  • 第二步Model ：使用pytorch中的nn.model类搭建神经网络模型。
  • 第三步Prediction ：比较预测结果和数据真值的距离。
  • 第四步loss fuction ：pytorch自带损失函数，例如loss = nn.CrossEntropyLoss()交叉熵损失。
  • 第五步求导损失函数 ：loss.backward()自动求导。
  • 第六步梯度下降 ：optimizer.step()自动下降。

神经网络（实践）

解决方案

  1. 自定义数据集加载，并将其划分为训练集和测试集。

  2. nn.Module构造神经网络模型，对于这个问题，可以使用一个简单的多层感知器*（MLP）*模型。在输出层，可以使用Softmax激活函数将输出转换为概率分布。

  3. 模型训练

    • 选择一个适当的损失函数，例如交叉嫡损失*（Cross-Entropy Loss）*，用于衡量模型预测与实际标签之间的差异。
    • 选择一个优化算法，例如随机梯度下降_（SGD）_或**Adam **等，用于更新神经网络的权重以最小化损失函数。
    • 设置训练参数．如批量大小*（Batch Size）、学习率（Learning Rate）和训练轮数（Epochs）*等。
    • 使用训练集数据进行训练，不断更新神经网络权重以最小化损失。

  4. 模型评估

    • 使用测试集数据对训练好的神经网络模型进行评估，计算分类准确率等指标。
    • 如果性能不佳，可以尝试调整神经网络结构*（如增加隐藏层节点数）、优化算法（如调整学习率）或训练参数（如增加训练轮数）*等，以提高模型性能。

  5. 使用训练好的神经网络模型对新的鸢尾花数据进行分类预测。

数据集的加载

data_loader.py

from torch.utils.data import Dataset
import os
import pandas as pd
import numpy as np
import torch


class iris_dataloader(Dataset):
    # 读取数据，要求一定要复现三个方法
    def __init__(self, data_path):
        # data_path为数据文件的路径
        self.data_path = data_path

        # 判断数据文件是否存在，不存在时报错
        assert os.path.exists(self.data_path), 'dataset does not exits'

        # 规定读取数据的0~4列，即全部列
        df = pd.read_csv(self.data_path, name=[0, 1, 2, 3, 4])

        # 替换花朵类型规则
        d = {'Iris-Setosa': 0, 'Iris-Versicolor': 1, 'Iris-Virginical': 2}
        df[4] = df[4].map(d)

        # 读取数据与数据标签
        data = df.iloc[:, :4]
        label = df.iloc[:, 4:]

        # 数据归一化，将数据映射至N~(0,1)的正态分布
        data = (data - np.mean(data) / np.std(data))

        # 将数据转化为numpy类型，再转为tensor类型
        self.data = torch.from_numpy(np.array(data, dtype='float32'))
        self.label = torch.from_numpy(np.array(label, dtype='int64'))

        # 统计数据数量
        self.data_num = len(label)
        print('当前数据集的大小', self.data_num)

    # 读取数据集的大小
    def __len__(self):
        return self.data_num

    # 获取数据集中的单个样本
    def __getitem__(self, index):
        # 用列表（可迭代对象）封装数据
        self.data = list(self.data)
        self.label = list(self.label)

        return self.data[index], self.label[index]

训练、验证和测试函数

iris.py

import os
import sys

# 导入批量数据封装
from torch.utils.data import DataLoader

# 终端进度条
from tqdm import tqdm

# 导入Torch类
import torch
# 导入神经网络功能类
import torch.nn as nn
# 导入神经网络优化器
import torch.optim as op

# 导入数据加载类
from data_loader import iris_dataloader

os.environ['CUDA_LAUNCH_BLOCKING'] = '1'


# 初始化神经网络模型
class NN(nn.Module):
    def __init__(self, in_dim, hidden_dim1, hidden_dim2, out_dim):
        super().__init__()

        # 定义网络层级结构
        self.layer1 = nn.Linear(in_dim, hidden_dim1)
        self.layer2 = nn.Linear(hidden_dim1, hidden_dim2)
        self.layer3 = nn.Linear(hidden_dim2, out_dim)

    # 数据处理
    def forward(self, x):
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        # 返回结构
        return x


# 定义网络计算环境

# device 如果有GPU则torch.cuda.is_available()返回cuda：0，否则返回cpu
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')

# 训练集，验证集和测试集的划分
custom_dataset = iris_dataloader('./iris_training.csv')
# 划分各集的长度
# 训练集
train_size = int(len(custom_dataset) * 0.7)
# 验证集
val_size = int(len(custom_dataset) * 0.2)
# 测试集
test_size = int(len(custom_dataset) - train_size - val_size)

# 随机数据集切分
train_dataset, val_dataset, test_dataset = torch.utils.data.random_split(
    custom_dataset, [train_size, val_size, test_size])

# 按批量封装加载数据,batch_size表示一次运算取出数据量,shuffle表示是否打散数据
train_loader = DataLoader(train_dataset, batch_size=16, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=1, shuffle=False)
test_loader = DataLoader(test_dataset, batch_size=1, shuffle=False)

print('训练集的大小', len(train_loader) * 16, '验证集的大小', len(val_loader), '测试集的大小', len(test_loader))


# 定义推理函数,返回准确率
def infer(model, dataset, device):
    model.eval()
    acc_num = 0
    # 约束函数,不改变模型参数
    with torch.no_grad():
        for data in dataset:
            datas, label = data
            outputs = model(datas.to(device))
            predict_y = torch.max(outputs, dim=1)[1]
            # torch.max的返回值是一个元组,第一个值是max的值,第二个值是所对应的值的索引,所以只需要取第二个索引
            acc_num += torch.eq(predict_y, label.to(device)).sum().item()
    acc = acc_num / len(dataset)
    return acc


# 定义训练,验证,测试的过程
def main(lr=0.005, epochs=20):
    model = NN(4, 12, 6, 3).to(device)
    # 定义损失函数
    loss_f = nn.CrossEntropyLoss()

    # 定义模型参数
    pg = [p for p in model.parameters() if p.requires_grad]

    # 定义优化器
    optimizer = op.Adam(pg, lr=lr)

    # 权重文件存储路径
    save_path = os.path.join(os.getcwd(), 'pytorchProject/weights')
    # 判断路径是否正确,若不存在,重新创建路径
    if os.path.exists(save_path) is False:
        os.makedirs(save_path)

    # 开始训练
    for epoch in range(epochs):
        model.train()
        # 预测正确的样本数量
        acc_num = torch.zeros(1).to(device)
        sample_num = 0

        # 取得数据集, 使用tqdm封装, 并循环训练
        train_bar = tqdm(train_loader, file=sys.stdout, ncols=100)
        for datas in train_bar:
            data, label = datas
            label = label.squeeze(-1)
            # 样本数累加
            sample_num += data.shape[0]
            # 优化器梯度清零
            optimizer.zero_grad()
            outputs = model(data.to(device))
            pred_class = torch.max(outputs, dim=1)[1]
            acc_num = torch.eq(pred_class, label.to(device)).sum()

            # 计算损失
            loss = loss_f(outputs, label.to(device))
            print(loss)
            # 损失求导
            loss.backward()
            print(loss)
            # 优化器更新
            optimizer.step()

            # 打印训练指标到进度条
            train_acc = acc_num / sample_num
            train_bar.desc = 'train epoch[{}/{}] loss:{:.3f} train_acc{:.3f}'.format(epoch + 1, epochs, loss, train_acc)

    # 验证
    val_acc = infer(model, val_loader, device)
    print('train epoch[{}/{}] loss:{:.3f} val_acc{:.3f}'.format(epoch + 1, epochs, loss, val_acc))
    # 保存模型
    torch.save(model.state_dict(), os.path.join(save_path, 'NN.pth'))
    # 初始化指标清零
    train_acc = 0.
    val_acc = 0.

    print('Fished Traning')

    # 测试
    test_acc = infer(model, test_loader, device)
    print('test_acc:', test_acc)


if __name__ == '__main__':
    main()

错误调试与记录

1、输出台输出的中文显示为乱码

在这里插入图片描述

  • 问题描述：VS Code编译python语言出现中文乱码，而运行其他编程语言，例如C语言、JAVA语言等，则不会出现类似的问题。

  • 问题解决：在电脑的环境变量中，添加一条环境变量，环境变量名为 PYTHONIOENCODING ，变量值为 UTF-8 。

在这里插入图片描述

2、RuntimeError: CUDA error: device-side assert triggered

在这里插入图片描述

  • 问题描述：iris.py在运行时会偶尔出现device-side assert triggered的错误，并且即使成功运行时，最后所得到的测试准确率test_acc依然较低。

在这里插入图片描述

  • 问题解决：每次都在同样的地方出错的程序，问题不一定出在程序上。检查数据集iris_training.csv，数据集第一行包含数据名，影响了数据加载，非数字数据使得在计算指标的时候给进去的数据超出了边界。

在这里插入图片描述

  • 删去此行即可。
    在这里插入图片描述

3、报错显示的位置不准确

  • 问题描述：GPU会给出报错，但是有时报错的位置不准确，特别是运行时错误。

  • 问题解决：在import os下添加os.environ['CUDA_LAUNCH_BLOCKING'] = '1' 。

鸢尾花的数据集，我的文件名称为iris_training.csv，如果需要数据文件，我把它贴在文章后面，请勿用作商用，不想抄要源文件的可以私聊我，让我看看谁是小懒鬼

Sepal LengthSepal WidthPetal LengthPetal WidthFlower species
6.42.85.62.2Iris-Virginical
5.02.33.31.0Iris-Versicolor
4.92.54.51.7Iris-Virginical
4.93.11.50.1Iris-Setosa
5.73.81.70.3Iris-Setosa
4.43.21.30.2Iris-Setosa
5.43.41.50.4Iris-Setosa
6.93.15.12.3Iris-Virginical
6.73.14.41.4Iris-Versicolor
5.13.71.50.4Iris-Setosa
5.22.73.91.4Iris-Versicolor
6.93.14.91.5Iris-Versicolor
5.84.01.20.2Iris-Setosa
5.43.91.70.4Iris-Setosa
7.73.86.72.2Iris-Virginical
6.33.34.71.6Iris-Versicolor
6.83.25.92.3Iris-Virginical
7.63.06.62.1Iris-Virginical
6.43.25.32.3Iris-Virginical
5.74.41.50.4Iris-Setosa
6.73.35.72.1Iris-Virginical
6.42.85.62.1Iris-Virginical
5.43.91.30.4Iris-Setosa
6.12.65.61.4Iris-Virginical
7.23.05.81.6Iris-Virginical
5.23.51.50.2Iris-Setosa
5.82.64.01.2Iris-Versicolor
5.93.05.11.8Iris-Virginical
5.43.04.51.5Iris-Versicolor
6.73.05.01.7Iris-Versicolor
6.32.34.41.3Iris-Versicolor
5.12.53.01.1Iris-Versicolor
6.43.24.51.5Iris-Versicolor
6.83.05.52.1Iris-Virginical
6.22.84.81.8Iris-Virginical
6.93.25.72.3Iris-Virginical
6.53.25.12.0Iris-Virginical
5.82.85.12.4Iris-Virginical
5.13.81.50.3Iris-Setosa
4.83.01.40.3Iris-Setosa
7.93.86.42.0Iris-Virginical
5.82.75.11.9Iris-Virginical
6.73.05.22.3Iris-Virginical
5.13.81.90.4Iris-Setosa
4.73.21.60.2Iris-Setosa
6.02.25.01.5Iris-Virginical
4.83.41.60.2Iris-Setosa
7.72.66.92.3Iris-Virginical
4.63.61.00.2Iris-Setosa
7.23.26.01.8Iris-Virginical
5.03.31.40.2Iris-Setosa
6.63.04.41.4Iris-Versicolor
6.12.84.01.3Iris-Versicolor
5.03.21.20.2Iris-Setosa
7.03.24.71.4Iris-Versicolor
6.03.04.81.8Iris-Virginical
7.42.86.11.9Iris-Virginical
5.82.75.11.9Iris-Virginical
6.23.45.42.3Iris-Virginical
5.02.03.51.0Iris-Versicolor
5.62.53.91.1Iris-Versicolor
6.73.15.62.4Iris-Virginical
6.32.55.01.9Iris-Virginical
6.43.15.51.8Iris-Virginical
6.22.24.51.5Iris-Versicolor
7.32.96.31.8Iris-Virginical
4.43.01.30.2Iris-Setosa
7.23.66.12.5Iris-Virginical
6.53.05.51.8Iris-Virginical
5.03.41.50.2Iris-Setosa
4.73.21.30.2Iris-Setosa
6.62.94.61.3Iris-Versicolor
5.53.51.30.2Iris-Setosa
7.73.06.12.3Iris-Virginical
6.13.04.91.8Iris-Virginical
4.93.11.50.1Iris-Setosa
5.52.43.81.1Iris-Versicolor
5.72.94.21.3Iris-Versicolor
6.02.94.51.5Iris-Versicolor
6.42.75.31.9Iris-Virginical
5.43.71.50.2Iris-Setosa
6.12.94.71.4Iris-Versicolor
6.52.84.61.5Iris-Versicolor
5.62.74.21.3Iris-Versicolor
6.33.45.62.4Iris-Virginical
4.93.11.50.1Iris-Setosa
6.82.84.81.4Iris-Versicolor
5.72.84.51.3Iris-Versicolor
6.02.75.11.6Iris-Versicolor
5.03.51.30.3Iris-Setosa
6.53.05.22.0Iris-Virginical
6.12.84.71.2Iris-Versicolor
5.13.51.40.3Iris-Setosa
4.63.11.50.2Iris-Setosa
6.53.05.82.2Iris-Virginical
4.63.41.40.3Iris-Setosa
4.63.21.40.2Iris-Setosa
7.72.86.72.0Iris-Virginical
5.93.24.81.8Iris-Versicolor
5.13.81.60.2Iris-Setosa
4.93.01.40.2Iris-Setosa
4.92.43.31.0Iris-Versicolor
4.52.31.30.3Iris-Setosa
5.82.74.11.0Iris-Versicolor
5.03.41.60.4Iris-Setosa
5.23.41.40.2Iris-Setosa
5.33.71.50.2Iris-Setosa
5.03.61.40.2Iris-Setosa
5.62.93.61.3Iris-Versicolor
4.83.11.60.2Iris-Setosa
6.32.74.91.8Iris-Virginical
5.72.84.11.3Iris-Versicolor
5.03.01.60.2Iris-Setosa
6.33.36.02.5Iris-Virginical
5.03.51.60.6Iris-Setosa
5.52.64.41.2Iris-Versicolor
5.73.04.21.2Iris-Versicolor
4.42.91.40.2Iris-Setosa
4.83.01.40.1Iris-Setosa
5.52.43.71.0Iris-Versicolor
来自武理的小马
关注
  • 3
    点赞
  • 踩
  • 36
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
GAN在音频生成领域的应用
禅与计算机程序设计艺术
04-05 1051
GAN在音频生成领域的应用 作者：禅与计算机程序设计艺术 1. 背景介绍 近年来,生成对抗网络(Generative Adversarial Networks, GAN)在图像生成、语音合成等多个领域取得了突破性进展。作为一种新兴的深度学习模型,GAN通过训练一个生成器网络和一个判
Pytorch-pytorch深度学习教程之前馈神经网络.zip
05-22
总的来说，PyTorch-Pytorch深度学习教程之前馈神经网络这个资源将帮助初学者和进阶者深入理解前馈神经网络在PyTorch中的实现，通过实践来巩固理论知识，进一步提升深度学习技能。无论你是要解决分类、回归还是其他...
Pytorch深度学习与入门实战
陌上花开，静待绽放！
03-08 1107
Pytorch是一个能在CPU和GPU上运行并解决各类深度学习问题的深度学习框架。可以将其看做是支持GPU计算和自动微分计算的Numpy库。在PyTorch诞生之前，像caffe和torch这样的深度学习库是很受欢迎的深度学习库。随着深度学习快速发展，开发人员和研究人员希望有一个高效、易于使用的框架，并且以Python编程语言构建、训练和评估神经网络。PyTorch是一个灵活容易学习python库，在学术和研究领域PyTorch是最受欢迎的深度学习库。
深度学习框架pytorch入门与实践
weixin_55066886的博客
04-26 535
在pytorch中，tensor是一个多维数组，类似于numpy中的ndarray。tensor支持自动微分，这对于训练神经网络非常有用。深度学习框架pytorch是由Facebook开发的一种开源机器学习库，它可以用于构建和训练神经网络模型。本文将介绍pytorch的入门知识和实践技巧。以上是pytorch的入门知识和实践技巧。希望对你理解和使用pytorch有所帮助！首先，你需要在你的机器上安装pytorch。在pytorch中，可以通过继承。在pytorch中，可以使用。模块来定义优化器，并使用。
总结3-常见深度学习网络入门：pytorch实例
qimo601的专栏
09-15 3095
常见深度学习网络入门：pytorch实例
用Python实现神经网络（附完整代码）！
热门推荐
Datawhale
12-01 4万+
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：[美]霍布森·莱恩，科尔·霍华德在学习神经网络之前，我们需...
使用pytorch编写的DNN
Airbser的博客
03-04 1504
这是我自己写的代码，看到其他人都是有偿分享，我就无偿分享吧 相信聪明的你不需要我的注释也能看懂 import torch.nn as nn import torch.nn.functional as F import torch from torch.autograd import Variable class Net(nn.Module): def __init__(self, inC, outC): super(Net,self).__init__() self
推荐模型-上下文感知-2017：Deep&Cross（DCN）【替换Wide&Deep的Wide部分；Wide还需要人工特征工程，而Cross可以进行特征的自动交叉，避免了基于业务理解的人工特征组合】
u013250861的博客
08-05 475
Wide&Deep模型原理很简单，但是最主要的是要掌握Wide&Deep这种线性和非线性，处理高维稀疏向量和embedding稠密向量的方式，能够使得模型同时具有泛化能力和记忆能力。模型的结构也非常简洁，从下往上依次为：Embedding和Stacking层、Cross网络层与Deep网络层并列、输出合并层，得到最终的预测结果。Deep&Cross模型是2017年由斯坦福大学和谷歌在ADKDD会议上联合提出的，该模型是对Wide&Deep模型的一种改进。...........................
深度学习作业-基于卷积神经网络pytorch框架实现猫狗分类完整源码+代码注释+报告PPT
最新发布
06-11
深度学习作业-基于卷积神经网络pytorch框架实现猫狗分类完整源码+代码注释+报告PPT，高分项目期末大作业开发的97分高分设计项目，可作为高分课程设计和期末大作业的参考，含有代码注释小白也可看的懂，有能力的小...
深度学习作业-基于resnet50和vgg16网络pytorch框架实现猫狗分类完整源码+代码注释+实验报告.zip
05-09
深度学习作业_基于resnet50和vgg16网络pytorch框架实现猫狗分类完整源码+代码注释+实验报告.zip 猫狗分类，使用Kaggle猫狗分类的原始数据集，实现模型最终的准确率达到90%及以上。本实验的目的： 为了进一步掌握...
pytorch入门+神经网络模型+实战项目
03-18
- PyTorch 是一个基于Python和C++的深度学习库，它提供了一个强大的环境来构建和训练神经网络。 - PyTorch 的主要优点包括简洁高效的设计、最小化的封装，使得用户能更专注于模型实现，以及活跃的社区和丰富的文档...
基于Pytorch复现深度学习中经典的神经网络模型架构（源码）.rar
03-26
1、资源内容：基于Pytorch复现深度学习中经典的神经网络模型架构（源码）.rar 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。 3、解压说明：本资源需要电脑端使用WinRAR、...
【深度学习】PyTorch快速入门
qq_22328011的博客
08-14 1019
Pytorch快速入门
使用pytorch搭建ResNet并基于迁移学习训练(超详细 |附训练代码)
qq_73462282的博客
08-09 5708
最近在完成学校暑假任务时候,推荐的b站视频中发现了一个非常好的 计算机视觉 + pytorch实战 的教程，相见恨晚，能让初学者少走很多弯路。因此决定按着up给的教程路线：图像分类→目标检测→…一步步学习用 pytorch 实现深度学习在 cv 上的应用，并做笔记整理和总结。up主教程给出了pytorch和tensorflow两个版本的实现，我暂时只记录pytorch版本的笔记。
用PyTorch搭建卷积神经网络
juhanishen的博客
03-13 2万+
用PyTorch搭建卷积神经网络 本篇文章是一篇基础向的PyTorch教程，适合有一定的机器学习，深度学习和神经网络理论基础，接触过卷积神经网络，缺没有用过PyTorch搭建神经网络的同学。本文会分成以下几个部分： 基础卷积知识 PyTorch基础教程 用Pytorch搭建CNN 优化CNN模型 0. 基础图像卷积知识 这部分参考MIT的卷积图像课程，讲的非常清楚。 图像卷积是处理图像的一种方式。首先一个图像是用 M乘N 个像素来储存的，也是一个 M乘N 的矩阵。而卷积的过程就是将一个卷积核（convo
真的不能再详细了，2W字保姆级带你一步步用Pytorch搭建卷积神经网络实现MNIST手写数字识别
m0_56942491的博客
04-07 6342
2w6k字，真的不能再详细了！！！几乎每一行代码都有注释！！！本教程包括MNIST数据集的下载与保存与加载、卷积神经网路的构建、模型的训练、模型的测试、模型的保存、模型的加载与继续训练和测试、模型训练过程、测试过程的可视化、模型的使用。
pytorch从零开始搭建神经网络
sinat_38007523的博客
11-11 4499
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。
【PyTorch教程】05-如何使用PyTorch训练神经网络模型 (2022年最新)
Sihang_Xie的博客
07-07 6213
如何使用PyTorch训练神经网络模型？训练神经网络模型有哪些步骤？如何使用PyTorch进行正向传播和反向传播？看完本篇博文，相信你会得到答案。
基于pytorch的深度学习使用
weixin_55988068的博客
09-13 897
我们将通过pytorch提供的模型学习深度学习，在此之前，我们需要配置pytorch环境以及jupyter环境（没有搭建的可以看我上一篇文章），我也是初学者，谨以此记录一下学习的笔记，通过接下来的学习，我可能会不断的补充笔记。
使用java运行pytorch训练的深度学习模型
05-27
要使用Java运行PyTorch训练的深度学习模型，可以按照以下步骤进行： 1. 准备训练好的模型文件 首先，需要准备训练好的模型文件。这个模型文件通常包含模型的结构和参数，可以使用Python的PyTorch框架训练得到。 2. 加载模型文件 使用Java的PyTorch API，可以加载训练好的模型文件。可以使用PyTorch Java API的Module类来加载PyTorch模型文件。示例代码如下： ```java import org.pytorch.Module; Module module = Module.load("/path/to/model.pt"); ``` 3. 准备输入数据 在运行模型之前，需要准备输入数据。输入数据通常需要进行预处理，例如归一化和转换为PyTorch tensor。 4. 将输入数据转化为PyTorch tensor PyTorch模型的输入是PyTorch tensor，因此需要将输入数据转化为PyTorch tensor。可以使用PyTorch Java API的Tensor类来实现。示例代码如下： ```java import org.pytorch.Tensor; float[] inputArray = {1.0f, 2.0f, 3.0f}; Tensor inputTensor = Tensor.fromBlob(inputArray, new long[]{1, inputArray.length}); ``` 在上述代码中，首先将输入数据转化为Java数组，然后使用Tensor类的fromBlob方法将其转化为PyTorch tensor。 5. 运行模型 将输入数据转化为PyTorch tensor后，可以将其输入到模型中进行推断。使用PyTorch Java API的Module类的forward方法可以实现模型的前向传播。示例代码如下： ```java Tensor outputTensor = module.forward(inputTensor).toTensor(); ``` 6. 处理模型输出 模型的输出是一个PyTorch tensor，需要将其转化为Java数据类型进行处理。例如，如果模型输出是一个概率向量，可以通过以下代码得到分类结果： ```java float[] outputArray = outputTensor.getDataAsFloatArray(); int maxIdx = 0; float maxVal = 0; for (int i = 0; i < outputArray.length; i++) { if (outputArray[i] > maxVal) { maxIdx = i; maxVal = outputArray[i]; } } ``` 在上述代码中，首先将PyTorch tensor转化为一个Java数组，然后遍历数组找到最大值，即为分类结果。 以上是使用Java运行PyTorch训练的深度学习模型的一般步骤，具体实现需要根据模型的具体情况进行调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值