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