神经网络代码从零开始

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