pytorch的两个核心特征:
1.提供n维张量tensor,类似于numpy,但可以在GPU上运行。
2.提供搭建和训练神经网络时的自动微分/求导机制。
本章节我们将使用全连接的ReLU网络作为运行示例。该网络将有一个单一的隐藏层,并将使用梯度下降训练,通过最小化网络输出和真正 结果的欧几里得距离,来拟合随机生成的数据。
以下内容分别用Numpy和Torch实现。
import numpy as np
import torch
# Numpy进行数据处理(定义数组,前向、反向传播等)
def npbp():
# N为批量大小;D_in为输入维度;H为隐藏层维度;D_out为输出维度
N, D_in, H, D_out = 64, 1000, 100, 10
# 创建随机输入、输出数据
x = np.random.randn(N, D_in)
y = np.random.rand(N, D_out)
# 随机初始化权重
w1 = np.random.rand(D_in, H)
w2 = np.random.rand(H, D_out)
# 学习率
learning_rate = 1e-6
for i in range(500):
# 前向传播,计算预测值。
h = x.dot(w1)
h_relu = np.maximum(h, 0)
y_pred = h_relu.dot(w2)
# 计算和打印损失
loss = np.square(y_pred - y).sum()
print(i, loss)
# 反向传播,计算loss对w1的梯度。注:列出链式求导公式
grad_y_pred = 2 * (y_pred - y)
grad_w2 = h_relu.T.dot(grad_y_pred)
# 反向传播,计算loss对w2的梯度
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)
# 更新权重
w1 -= learning_rate * grad_w1
w2 -= learning_rate * grad_w2
# torch实现代码
def ptbp():
dtype = torch.float
device = torch.device("cpu")
# device = torch.device("cuda: 0")# 解除注释可以在GPU上运行
# 定义变量
N, D_in, H, D_out = 64, 1000, 100, 10
# 创建随机输入输出数据
x = torch.randn(N, D_in, device=device, dtype=dtype)
y = torch.randn(N, D_out, device=device, dtype=dtype)
# 随机初始化权重
w1 = torch.randn(D_in, H, device=device, dtype=dtype)
w2 = torch.randn(H, D_out, device=device, dtype=dtype)
learning_rate = 1e-6
for i in range(500):
# 前向传播
h = x.mm(w1) # (N, H)
h_relu = h.clamp(min=0) # 取大于0的值,小于0的值取0 (N, H)
y_pred = h_relu.mm(w2) # (N, D_out)
# 计算打印损失
loss = (y_pred - y).pow(2).sum().item()
print(i, loss)
# 反向传播
grad_y_pred = 2.0 * (y_pred - y) # (N, D_out)
grad_w2 = h_relu.t().mm(grad_y_pred) # (H, D_out)
grad_h_relu = grad_y_pred.mm(w2.t()) # (N, H)
grad_h = grad_h_relu.clone() # (N, H)
grad_h[h < 0] = 0
grad_w1 = x.t().mm(grad_h) # (D_in, H)
# 梯度下降更新权重
w1 -= learning_rate * grad_w1
w2 -= learning_rate * grad_w2
if __name__ == '__main__':
npbp()
ptbp()