一个简单的传播网络,从numpy写到pytorch
使用numpy完成一个简单的神经网络
import numpy as np
N, D_in, H, D_out = 64,1000,100,10
#N是训练数据;H是hidden(中间层神经元个数);D_in_out是输入输出维度
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 #learning rate太大会导致降太快
for it in range(500): #forward pass:向前传输 (一个神经网络模型)
h = x.dot(w1) # 矩阵x乘矩阵w1: N*H的矩阵
h_relu = np.maximum(h,0)
y_pred = h_relu.dot(w2) #要么用矩阵h乘(N*H与H*D_out),要么用0乘
#损失函数loss (理论上loss会越来越小)
loss = np.square(y_pred - y).sum()
print(it,loss)
#backward pass反向梯度:最终要得到loss和w1之间的梯度关系
#一步一步往前求导可以得到一个compute the gradient
grad_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] = 0
grad_w1 = x.T.dot(grad_h)
#update weight w1 and w2
w1 -= learning_rate * grad_w1
w2 -= learning_rate * grad_w2
在numpy的基础上把代码替代成pytorch代码
先对语句替换,不使用自带的求导函数等
两个函数:
1. torch.mm(input, mat2, out=None)
Performs a matrix multiplication of the matrices input and mat2.
If input is a (n×m) tensor, mat2 is a (m×p) tensor, out will be a (n×p) tensor.
2. torch.clamp(input, min, max, out=None)
Clamp all elements in input into the range [min,max] and return a resulting tensor:
y在最大最小值之间等于x,否则等于最值
If input is of type FloatTensor or DoubleTensor, args min and max must be real numbers, otherwise they should be integers.
import numpy as np
import torch
N, D_in, H, D_out = 64,1000,100,10
x = torch.randn(N,D_in) #np.random.randn变成torch.randn
y = torch.randn(N,D_out)
w1 = torch.randn(D_in,H)
w2 = torch.randn(H,D_out)
learning_rate = 1e-6
for it in range(500):
h = x.mm(w1) #dot(点乘)变成mm(矩阵乘积)
h_relu = h.clamp(min = 0,) #夹子函数来写relu
y_pred = h_relu.mm(w2)
#损失函数loss (理论上loss会越来越小)
loss = (y_pred - y).pow(2).sum().item() #要把tenser转成数字才可以print
print(it,loss) #这儿也可以 print(loss.item())
#backward pass,未使用自带求导功能,手动求导基本同numpy
grad_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] = 0
grad_w1 = x.t().mm(grad_h)
#update weight w1 and w2
w1 -= learning_rate * grad_w1
w2 -= learning_rate * grad_w2
开始使用pytorch的求导功能简化代码
定义变量的时候对于变量会有一个Requires_grad = True的参数,会在后台生成一个comuptic graph,最终计算该graph里所有的grad,如果是false的话就不会进行这一步。
import torch
N, D_in, H, D_out = 64,1000,100,10
x = torch.randn(N,D_in)
y = torch.randn(N,D_out)
w1 = torch.randn(D_in,H,requires_grad = True) #加了requires_grad=True之后,会把梯度保存在后台
w2 = torch.randn(H,D_out,requires_grad = True)
learning_rate = 1e-6
for it in range(500):
y_pred = x. mm(w1). clamp (min = 0). mm(w2) #相对于上一段代码精简,把代码写到一行里
#损失函数loss (理论上loss会越来越小)
loss = (y_pred - y).pow(2).sum() #后台一张computation graph
print(it,loss.item()) #后面要算backward,所以这个时候不可以把item留在外面
#backward pass,直接求loss的导数
loss.backward() #计算机直接返回总体计算梯度
#update weight w1 and w2
with torch.no_grad(): #不用记住w1和2的计算图,
w1 -= learning_rate * w1.grad
w2 -= learning_rate * w2.grad
w1.grad.zero_() #grad存在内存里每次都会叠加,所以在求完一次之后要清除
w2.grad.zero_()
先写这么多吧x