昨天终于把毕业论文的所有事情都完成了,之前学的一些深度学习知识有些又不记得了,一点点的复习,不过,复习起来还是比较容易的的,看一遍书,大致又都记起来了。学到了卷积神经网络,先利用pytorch搭建简单模型,然后再想着利用pytorch搭建别人的网络模型。
搭建模型的步骤
- 准备数据集
- 设计模型,计算y_hat,同时构造计算图
- 构建loss
- 构建优化器
- 训练更新
线性回归问题
import torch
#准备数据集
x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[2.0],[4.0],[6.0]])
#设计模型 计算y_hat 构造计算图
#必须要实现__init__() 和forward()函数
class LinearModel(torch.nn.Module):
def __init__(self):
#just do it
super(LinearModel,self).__init__()
#构造自己的模型 输入1维 输出1维 y = ax+b
# 参数: in_features: int, out_features: int, bias: bool = True
self.linear = torch.nn.Linear(1,1)
def forward(self,x):
y_pre = self.linear(x)
return y_pre
#实例化线性模型
model = LinearModel()
#构建loss和优化器 optimizer
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)
for epoch in range(10000):
y_pre = model(x_data)
loss = criterion(y_pre,y_data)
print(epoch,loss.item())
#优化器梯度清零
optimizer.zero_grad()
#反向传播
loss.backward()
#更新参数
optimizer.step()
print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())
x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pre=',y_test.data)
logistic回归问题(分类)
import torch
import torch.nn.functional as F
#准备数据集
x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[0.0],[0.0],[1.0]])
#构建模型
class LogisticRegression(torch.nn.Module):
def __init__(self):
super(LogisticRegression,self).__init__()
self.linear = torch.nn.Linear(1,1)
def forward(self,x):
y_pre = F.sigmoid(self.linear(x))
return y_pre
#实例化模型
model = LogisticRegression()
#构建损失器
criterion = torch.nn.BCELoss()
#构建优化器
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)
for epoch in range(10000):
y_pre = model(x_data)
loss = criterion(y_pre,y_data)
print(epoch,loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pre=',y_test.data)
从这两个案例中可以看出,区别在于模型的构建和损失函数的构建不一样,其他地方基本一致。利用这两个小栗子,熟悉pytorch搭建模型的步骤,以便于以后学习搭建更深层次的模型。