神经网络模型中class的forward函数何时调用_总结深度学习PyTorch神经网络箱使用...

↑ 点击 蓝字  关注极市平台 来源丨计算机视觉联盟 编辑丨极市平台

极市导读

 

本文介绍了Pytorch神经网络箱的使用，包括核心组件、神经网络实例、构建方法、优化器比较等内容，非常全面。>>加入极市CV技术交流群，走在计算机视觉的最前沿

1 神经网络核心组件

核心组件包括：

1. 层：神经网络的基本结构，将输入张量转换为输出张量

2. 模型：层构成的网络

3. 损失函数：参数学习的目标函数，通过最小化损失函数来学习各种参数

4. 优化器：如何是损失函数最小

多个层链接一起构成模型或者网络，输入数据通过模型产生预测值，预测值和真实值进行比较得到损失只，优化器利用损失值进行更新权重参数，使得损失值越来越小，循环过程，当损失值达到阈值活着的循环次数叨叨指定次数就结束循环。

2 神经网络实例

如果初学者，建议直接看3，避免运行结果有误。

神经网络工具及相互关系

2.1 背景说明

如何利用神经网络完成对手些数字进行识别？ 使用Pytorch内置函数mnist下载数据 利用torchvision对数据进行预处理，调用torch.utils建立一个数据迭代器 可视化源数据 利用nn工具箱构建神经网络模型 实例化模型，定义损失函数及优化器 训练模型 可视化结果 使用2个隐藏层，每层激活函数为ReLU，最后使用torch.max(out,1)找出张量out最大值对索引作为预测值

2.2 准备数据

##(1)导入必要的模块import numpy as npimport torch# 导入内置的 mnist数据from torchvision.datasets import mnist# 导入预处理模块import torchvision.transforms as transformsfrom torch.utils.data import DataLoader# 导入nn及优化器import torch.nn.functional as Fimport torch.optim as optimfrom torch import nn## (2) 定义一些超参数
train_batch_size = 64
test_batch_size = 128
learning_rate = 0.01
num_epoches = 20
lr = 0.01
momentum = 0.5## (3) 下载数据并对数据进行预处理# 定义预处理函数，这些预处理依次放在Compose函数中
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize([0.5],[0.5])])# 下载数据，并对数据进行预处理
train_dataset = mnist.MNIST('./data', train=True, transform=transform, download=True)
test_dataset = mnist.MNIST('./data', train=False, transform=transform)# dataloader是一个可迭代的对象，可以使用迭代器一样使用
train_loader = DataLoader(train_dataset, batch_size=train_batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=test_batch_size, shuffle=False)

       

2.3 可视化数据源

import matplotlib.pyplot as plt
%matplotlib inline
examples = enumerate(test_loader)
batch_idx, (example_data, example_targets) = next(examples)
fig = plt.figure()for i in range(6):
  plt.subplot(2,3,i+1)
  plt.tight_layout()
  plt.imshow(example_data[i][0], cmap='gray', interpolation='none')
  plt.title("Ground Truth: {}".format(example_targets[i]))
  plt.xticks([])
  plt.yticks([])

        

2.4 构建模型

## (1)构建网络
class Net(nn.Module):
    """
    使用sequential构建网络，Sequential()函数功能是将网络的层组合一起
    """
    def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
        super(Net, self).__init__()
        self.layer1 = nn.Sequential(nn.Linear(in_dim, n_hidden_1),nn.BatchNorm1d(n_hidden_1))
        self.layer2 = nn.Sequential(nn.Linear(n_hidden_1, n_hidden_2),nn.BatchNorm1d(n_hidden_2))
        self.layer3 = nn.Sequential(nn.L