沐神视频:
https://www.bilibili.com/video/BV1L64y1m7Nh?p=3&vd_source=302f06b1d8c88e3138547635c3f4de52
沐神代码:
https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/conv-layer.html
卷积层代码解析
import torch
from torch import nn
from d2l import torch as d2l
#定义二维卷积层
#Conv2d(输入通道数,输出通道数,卷积核形状1x2,不适用偏置项)
conv2d=nn.Conv2d(1,1,kernel_size=(1,2),bias=False)
#这里沐神的是 reshape(批量大小,输入通道数,高度,宽度),我为了让代码运行改成了randn
X = torch.randn(1, 1, 6, 8)
Y = torch.randn(1, 1, 6, 7)
lr=3e-2
for i in range(10):
Y_hat=conv2d(X)
l=(Y_hat-Y)**2
conv2d.zero_grad()
#注意l.sum.backward与l.backward是不同的
l.sum().backward()
#注意与下方对比这里使用的是手动更新梯度,其实也可以使用SGD优化器更新
conv2d.weight.data[:] -= lr * conv2d.weight.grad
if (i + 1) % 2 == 0:
print(f'epoch {i+1}, loss {l.sum():.3f}')
线性回归代码对比
#这是线性回归的大体流程可以与上面做对比
net = nn.Sequential(nn.Linear(2, 1))
loss = nn.MSELoss()
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
num_epochs = 3
for epoch in range(num_epochs):
### X为特征值 y为标签值
for X, y in data_iter:
### 计算该模型下的损失函数
l = loss(net(X) ,y)
### 清零梯度 因为是靠梯度进行下降的 所以先清除之前的梯度
trainer.zero_grad()
### 通过反向传播计算新梯度
l.backward()
### 更新参数模型
trainer.step()
l = loss(net(features), labels)
print(f'epoch {epoch + 1}, loss {l:f}')
值得注意的是
函数的区别
l.sum().backward():这一行代码会计算损失张量 l 中所有元素的梯度之和,并将这个梯度值反向传播到模型的参数中。这个方法通常在计算平均损失时使用,因为在计算梯度时会考虑到损失中所有元素的贡献。
l.backward():这一行代码会计算损失张量 l 中每个元素的梯度,并将这些梯度值反向传播到模型的参数中。这个方法通常在计算损失时使用,但不会对损失张量中的每个元素都做同等对待,而是将每个元素的梯度值视为一个单独的贡献。