什么是pytorch
这个就是一个框架,是twitter开源的吧,和tensorflow类似,就是把python代码进行封装,还封装了各种库,使得你计算和创建神经网络这些通过它的方式可以更加快速;
主要特点和
功能
混合前端
新的混合前端在急切模式和图形模式之间无缝转换,以提供灵活性和速度。
分布式培训
通过torch.distributed后端实现可扩展的分布式培训和研究与生产中的性能优化。
Python的第一
与Python的深度集成允许使用流行的库和包来轻松地在Python中编写神经网络层。
工具和图书馆
丰富的工具和库生态系统扩展了PyTorch,支持计算机视觉,NLP等领域的开发。
安装的话使用以下命令就可以进行安装,我的平台是linux;
pip3 install https://download.pytorch.org/whl/cpu/torch-1.1.0-cp37-cp37m-linux_x86_64.whl pip3 install torchvision
然后创建第一个pytorch的神经网络
from torch.nn import Linear, ReLU, Sequential
net = Sequential(
Linear(3, 8), # 第1层有8个神经元
ReLU(), # 第1层神经元的非线性函数是max(*,0)
Linear(8, 8), # 第2层有8个神经元
ReLU(), # 第2层的神经元的非线性函数是max(*,0)
Linear(8, 1), # 第3层有1个神经元
)
# 测试函数 $g()$
# In[2]:
def g(x, y):
x0, x1, x2 = x[:, 0] ** 0, x[:, 1] ** 1, x[:, 2] ** 2
y0 = y[:, 0]
return (x0 + x1 + x2) * y0 - y0 * y0 - x0 * x1 * x2
# 寻找合适的神经元的权重
# In[3]:
import torch
from torch.optim import Adam
optimizer = Adam(net.parameters())
for step in range(1000):
optimizer.zero_grad()
x = torch.randn(1000, 3)
y = net(x)
outputs = g(x, y)
loss = -torch.sum(outputs)
loss.backward()
optimizer.step()
if step % 100 == 0:
print ('iteration #{}: loss = {}'.format(step, loss.item()))
# 测试神经网络的性能
# In[4]:
# 生成测试数据
x_test = torch.randn(2, 3)
print ('测试输入: {}'.format(x_test))
# 查看神经网络的计算结果
y_test = net(x_test)
print ('人工神经网络计算结果: {}'.format(y_test))
print ('g的值: {}'.format(g(x_test, y_test)))
# 根据理论计算参考答案
def argmax_g(x):
x0, x1, x2 = x[:, 0] ** 0, x[:, 1] ** 1, x[:, 2] ** 2
return 0.5 * (x0 + x1 + x2)[:, None]
yref_test = argmax_g(x_test)
print ('理论最优值: {}'.format(yref_test))
print ('g的值: {}'.format(g(x_test, yref_test)))
这个就是创建最简单的神经网络,是一本书上的代码就是用来拟合一个函数;