如何在pytorch中搭建神经网络
pytorch学习笔记(六)——pytorch中搭建神经网络_pytorch 神经网络-CSDN博客
主要学习:1.搭建神经网络;2.定义函数;3.在前向传播中使用定义过的函数;4.构建自己的神经网络;5.在主函数中执行
import torch
import torchvision.datasets
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
# 0.获取输入数据
from torch.utils.tensorboard import SummaryWriter
dataset = torchvision.datasets.CIFAR10("../datasets", train=False, transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, batch_size=64)
# 1.构建神经网络
class MyNeural(nn.Module):
def __init__(self):
super(MyNeural, self).__init__()
# 2.定义函数
self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=True)
# 3.在前向传播中使用定义过的函数
def forward(self, input):
output = self.maxpool1(input)
return output
# 4.构建自己的神经网络
my_neural = MyNeural()
# 5.在主函数中执行
writer = SummaryWriter("../logs")
step = 0
for data in dataloader:
imgs, targets = data
output = my_neural(imgs)
writer.add_images("input", imgs, step)
# 池化不会改变通道
writer.add_images("output", output, step)
step = step + 1
writer.close()
————————————————
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
原文链接:https://blog.csdn.net/NA_imu/article/details/124455328
6.使用Sequential把神经网络中的各层写到一起,简化书写
self.model1 = Sequential(
7.在# 4.构建自己的神经网络 处插入损失函数,在主函数中执行损失函数
# 设置损失函数,使用交叉熵损失函数(根据预测值和真实值的情况选匹配的损失函数?)
loss = nn.CrossEntropyLoss()
# 主函数中使用损失函数
result_loss = loss(outputs, targets)
8.在# 4.构建自己的神经网络 处插入优化函数,在主函数中执行
8.1.参数调零
8.2.梯度反向传播
8.3.参数优化
# 设置优化器,使用随机梯度下降, lr为学习速率,设置的过大时训练起来不稳定,过小训练的过慢
optim = torch.optim.SGD(my_neural.parameters(), lr=0.01)
#主函数中
result_loss = loss(outputs, targets)
# 1.把网络模型中每个可以调节的参数调为0
optim.zero_grad()
# 2.得到每一个可以调节的参数对应的梯度
result_loss.backward()
# 3.使用优化器对其中的参数进行优化
optim.step()
running_loss = running_loss + result_loss
————————————————
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
原文链接:https://blog.csdn.net/NA_imu/article/details/124455328