学习pytorch-使用Torch搭建一个简单神经网络

a.py
import
torch import numpy as np #生成一个五行四列的二维矩阵 print(torch.Tensor(5, 4)) # 返回的数组大小是5x4的矩阵,初始化是0~1的均匀分布 x=torch.rand(5, 4) print(torch.randn(5, 4)) print(x) #查看x的形状 print(x.size()) # numpy 类似的返回5x4大小的矩阵 print(np.ones((5, 4))) # 类似的返回5x4大小的张量 print(torch.ones(5,4)) #返回5x4大小的张量 对角线上全1,其他全0 print(torch.eye(5,4)) print(torch.arange(1,5,1)) print(torch.linspace(1,5,2)) #服从正太分布 #print(torch.normal(-1,2)) print(torch.randperm(2)) #numpy转换成Tensor a = torch.ones(5) b=a.numpy() print(b) #Tensor转换成numpy a= np.ones(5) b=torch.from_numpy(a) print(b) #True支持GPU,False不支持 print(torch.cuda.is_available())
b.py
#
torch.autograd.Variable 实现自动求导 """ 本质上Variable和Tensor没有什么区别, 不过Variable会放在一个计算图里面, 可以进行前向传播和反向传播以及求导 """ import torch from torch.autograd import Variable # requires_grad 表示是否对其求梯度,默认是False x = Variable(torch.Tensor([3]), requires_grad=True) y = Variable(torch.Tensor([5]), requires_grad=True) z = 2 * x * x + y * y + 4 # 对 x 和 y 分别求导 z.backward() # x 的导数和 y 的导数 #x =3*2*2 #y = 5*2 print('dz/dx: {}'.format(x.grad.data)) print('dz/dy: {}'.format(y.grad.data))
c.py
from
torch import nn import torch from torch.autograd import Variable import torch.nn.functional as F """所依赖的主要是 torch.nn 和 torch.nn.functional torch.nn 里面有着所有的神经网络的层的操作,其用来构建网络, 只有执行一次网络的运算才执行一次 torch.nn.functional 表示的是直接对其做一次向前运算操作""" # 基本的网络构建类模板 class net_name(nn.Module): def __init__(self,opt): super(net_name, self).__init__() # 可以添加各种网络层 self.maina = nn.Sequential( # #使用反卷积 没有零填充,单位步幅。 nn.ConvTranspose2d(100, opt.nz * 8, 3, 1,0, bias=False), nn.BatchNorm2d(opt.nz * 8), nn.ReLU(True), #计算公式 o = i+(k-1) = 7 #10*512*7*7 # 使用反卷积 有填充,单位步幅。 # nn.ConvTranspose2d(100, opt.nz * 8, 3, 1, 1, bias=False), # nn.BatchNorm2d(opt.nz * 8), # nn.ReLU(True), # 计算公式 o = i+(k-1)-2p = 2 +2 -2=2 # 10*512*2*2 # 使用反卷积 全填充。 # nn.ConvTranspose2d(100, opt.nz * 8, 3, 1, 2, bias=False), # nn.BatchNorm2d(opt.nz * 8), # nn.ReLU(True), # 计算公式 o = i-(k-)*2 # 10*512*3*3 nn.Conv2d(opt.nz * 8, opt.nz * 16, 3, 1, 0, bias=False), nn.BatchNorm2d(opt.nz * 16), nn.ReLU(True), #计算公式 o = (i-k)+1 #10*256*2*2 ) # 具体每种层的参数可以去查看文档 def forward(self, input): return self.maina(input) class Config(object): nz = 64 gpu = False # 是否使用GPU gen_img = '2018.png' opt = Config() if __name__ == '__main__': a = torch.randn(10, 100,5,5) noises = Variable(a, volatile=True) d = net_name(opt).forward(noises) print(d)

 

转载于:https://www.cnblogs.com/dudu1992/p/8977288.html

发布了0 篇原创文章 · 获赞 8 · 访问量 4万+
展开阅读全文
评论将由博主筛选后显示,对所有人可见 | 还能输入1000个字符

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览