pytorch-1

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;