这篇笔记详细介绍了PyTorch中的一些重要函数，包括nn.CrossEntropyLoss()用于分类问题的损失计算，nn.Sequential()用于简单神经网络的构建，optim.SGD()作为优化器，optim.step()进行参数更新。此外，还涉及了模型的保存与加载，如torch.save()和torch.load()，以及state_dict()的使用。其他内容涵盖了张量操作，如unsqueeze()，以及数据预处理的transforms模块。
笔记：
1.标签一般默认为LongTensor
2.pytorch只能处理2维的数据。
字典：
找到一份很好的pytorch中文文档：http://pytorch-cn.readthedocs.io/zh/latest/
1.nn.CrossEntropyLoss()
EXP:loss_func = torch.nn.CrossEntropyLoss()
交叉熵：通常用在分类问题上
目标标签为： y = [0, 0, 0, 1]
实际结果为： out = net(x) = [1,2,3,4]
将输出转发为概率：out = F.softmax(out)=[0.1, 0.2, 0.3, 0.4]
计算二者的误差: loss = loss_func(out, y)
2.nn.Sequential()
EXP:
net = torch.nn.Sequential(
torch.nn.Linear(2,10)
torch.nn.ReLu()
torch.nn.Linear(10,2)
)
一种简单的神经网络构建方式，直接按顺序垒神经层。
3.optim.SGD()
EXP:optimizer = torch.optim,SGD(net.parameters(),lr=0.1)
优化方法采用：随机梯度下降法（Stochastic Gradient Descent，简称SGD）
4.optim.step()
EXP:
los
最低0.47元/天 解锁文章
扫一扫
253
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
