pytorch学习笔记（三）Pytorch 神经网络

最新推荐文章于 2021-01-12 16:33:05 发布

Tra_cy

最新推荐文章于 2021-01-12 16:33:05 发布

阅读量757

点赞数

分类专栏： pytorch学习

本文链接：https://blog.csdn.net/Tra_cy/article/details/102870875

版权

本文介绍了PyTorch中构建神经网络的基本步骤，包括定义神经网络模型、卷积层、线性层、池化操作、激活函数以及损失函数。通过实例展示了如何使用nn.Module创建网络，以及利用autograd进行反向传播和优化权重的过程。

摘要由CSDN通过智能技术生成

参考package的使用方法：https://pytorch-cn.readthedocs.io/zh/latest/

神经网络可以通过 torch.nn 包来构建。一个典型的神经网络训练过程包括以下：

定义一个包含可训练参数的神经网络
迭代整个输入
通过神经网络处理输入
计算损失loss
反向传播梯度到神经网络的参数
更新网络的参数，典型的更新方法是：weight = weight - learning_rate *gradient

例子：

import torch
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def