Pytorch源码学习03--神经网络

前提

1.使用torch.nn包构建神经网络;
2.nn依赖于autograd来定义模型并对其进行微分;
3.nn.Module包含层,以及返回output的方法forward(input)。
:pytorch里面一切自定义操作基本上都是继承nn.Module类来实现的

任务

对数字图像进行分类的网络:
示例
神经网络的典型训练过程如下:
1.定义具有一些可学习参数(或权重)的神经网络
2.遍历输入数据集
3.通过网络处理输入
4.计算损失(输出正确的距离有多远)
5.将梯度传播回网络参数
6.通常使用简单的更新规则来更新网络的权重:weight = weight - learning_rate * gradient

定义网络

import torch
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120)  # 5*5 from image dimension
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # Max pooling over a (2, 2) window
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # If the size is a square, you can specify with a single number
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = torch.flatten(x, 1) # flatten all dimensions except the batch dimension
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x


net = Net()
print(net)

:您只需要定义forward函数,就可以使用autograd为您自动定义backward函数(计算梯度)。 您可以在forward函数中使用任何张量操作
模型的可学习参数由net.parameters()返回

params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1's .weight

以一个32x32随机输入

input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

使用随机梯度将所有参数和反向传播的梯度缓冲区归零:

net.zero_grad()
out.backward(torch.randn(1, 10))

回顾:

torch.Tensor:一个多维数组,支持诸如backward()的自动微分操作。 同样,保持相对于张量的梯度
nn.Module:神经网络模块。 封装参数的便捷方法,并带有将其移动到 GPU,导出,加载等的帮助器。
nn.Parameter:一种张量,即将其分配为Module的属性时,自动注册为参数。
autograd.Function:实现自动微分操作的正向和反向定义。 每个Tensor操作都会创建至少一个Function节点,该节点连接到创建Tensor的函数,并且编码其历史记录。

损失函数

损失函数采用一对(输出,目标)输入,并计算一个值,该值估计输出与目标之间的距离
nn包下有几种不同的损失函数。 一个简单的损失是:nn.MSELoss,它计算输入和目标之间的均方误差

output = net(input)
target = torch.randn(10)  # a dummy target, for example
target = target.view(1, -1)  # make it the same shape as output
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)

使用.grad_fn属性向后跟随loss,您将看到一个计算图

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
      -> view -> linear -> relu -> linear -> relu -> linear
      -> MSELoss
      -> loss

调用loss.backward()时,整个图将被微分。 损失,并且图中具有requires_grad=True的所有张量将随梯度累积其.grad张量

print(loss.grad_fn)  # MSELoss
print(loss.grad_fn.next_functions[0][0])  # Linear
print(loss.grad_fn.next_functions[0][0].next_functions[0][0])  # ReLU
#result:
#<MseLossBackward0 object at 0x7f71283dd048>
#<AddmmBackward0 object at 0x7f71283dd7f0>
#<AccumulateGrad object at 0x7f71283dd7f0>

反向传播

反向传播误差,要做的只是对loss.backward()。 不过需要清除现有的梯度否则梯度将累积到现有的梯度中

net.zero_grad()     # zeroes the gradient buffers of all parameters

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)
#result:
#conv1.bias.grad before backward
#tensor([0., 0., 0., 0., 0., 0.])
#conv1.bias.grad after backward
#tensor([ 0.0188,  0.0172, -0.0044, -0.0141, -0.0058, -0.0013])

更新权重

实践中使用的最简单的更新规则是随机梯度下降(SGD)weight = weight - learning_rate * gradient

learning_rate = 0.01
for f in net.parameters():
    f.data.sub_(f.grad.data * learning_rate)

在使用神经网络时,您希望使用各种不同的更新规则,例如SGD,Nesterov-SGD,Adam,RMSProp 等。为实现此目的,我们构建了一个小包装:torch.optim,可实现所有这些方法。 使用它非常简单:

import torch.optim as optim

# create your optimizer
optimizer = optim.SGD(net.parameters(), lr=0.01)

# in your training loop:
optimizer.zero_grad()   # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step()    # Does the update

引用

PyTorch 中文教程 & 文档.

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
pytorch-cnn-股票预测是一个使用PyTorch框架实现的卷积神经网络模型,用于预测股票价格走势的源代码。 这个项目的目的是通过训练一个卷积神经网络模型,来预测股票价格的未来走势。卷积神经网络是一种深度学习模型,通过自动提取特征并学习数据之间的非线性关系来进行预测。 在这个源码中,首先进行数据的预处理。通常会使用历史股票价格的时间序列作为输入数据,以及对应的目标值作为标签。数据预处理的操作可能包括数据标准化、缺失值填充等等。 接下来,我们构建卷积神经网络模型。在源码中,可能会使用PyTorch提供的卷积层(Convolutional Layer)、池化层(Pooling Layer)和全连接层(Fully Connected Layer)等组件来构建模型,以及使用ReLU、Dropout等激活函数和正则化方法来提高模型的性能。 然后,我们定义损失函数,通常选择均方误差(Mean Squared Error)或交叉熵损失(Cross Entropy Loss)作为模型训练的目标函数,以便优化模型的预测结果。 最后,我们使用训练数据来训练模型,并使用测试数据来评估模型的性能。在源码中,我们会定义训练函数和测试函数,通过迭代训练,不断调整模型参数,以使得模型能够更准确地预测未知数据的输出结果。 总结来说,pytorch-cnn-股票预测-源码是一个基于PyTorch框架实现的卷积神经网络模型,用于预测股票价格走势的源代码。通过数据预处理、构建网络模型、定义损失函数和训练评估等步骤,可以使用这个代码来进行股票预测模型的训练和测试。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值