PyTorch深度学习快速入门教程【小土堆】详细学习笔记（第23-33个视频笔记）

胡说八道的Dr. Zhu

已于 2024-11-12 21:55:42 修改

阅读量932

点赞数 26

文章标签：深度学习 pytorch 学习

于 2024-11-12 21:33:22 首次发布

本文链接：https://blog.csdn.net/zly19980718/article/details/143724116

版权

本学习笔记源自于B站up主【我是土堆】的视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】

本博客是该视频教程中第23-33个视频的详细学习笔记，第1-11个视频、第12-22个视频的详细学习笔记链接如下：

PyTorch深度学习快速入门教程【小土堆】详细学习笔记（第1-11个视频笔记）

PyTorch深度学习快速入门教程【小土堆】详细学习笔记（第12-22个视频笔记）

23、损失函数与反向传播

关于L1Loss和MSELoss函数的讲解：

关于CrossEntropyLoss函数的讲解：

代码如下（建议复制到PyCharm中阅读）：

import torch
from torch.nn import L1Loss
from torch import nn

inputs = torch.tensor([1, 2, 3], dtype=torch.float32)
targets = torch.tensor([1, 2, 5], dtype=torch.float32)

inputs = torch.reshape(inputs, (1, 1, 1, 3))
targets = torch.reshape(targets, (1, 1, 1, 3))

loss = L1Loss(reduction='sum')           # 计算 L1损失，并为其设置处理的方式为 “sum”，即将所有损失值加总。
result = loss(inputs, targets)
# 输出为：tensor(2.)

loss_mse = nn.MSELoss()                  # 计算均方误差损失。
result_mse = loss_mse(inputs, targets)
# 输出为：tensor(1.3333)

print(result)
print(result_mse)

x = torch.tensor([0.1, 0.2, 0.3])
y = torch.tensor([1])
x = torch.reshape(x, (1, 3))
loss_cross = nn.CrossEntropyLoss()      # 计算交叉熵损失
result_cross = loss_cross(x, y)
print(result_cross)
# 输出为：tensor(1.1019)

接下来是在神经网络中使用损失函数的案例，代码如下（建议复制到PyCharm中阅读）：
import torchvision
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("./CIFAR10data", train=False, transform=torchvision.transforms.ToTensor(), download=True)

dataloader = DataLoader(dataset, batch_size=1)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x

loss = nn.CrossEntropyLoss()
tudui = Tudui()
for data in dataloader:
    imgs, targets = data
    outputs = tudui(imgs)
    result_loss = loss(outputs, targets)       # 计算模型输出与真实标签之间的交叉熵损失.
    result_loss.backward()                     # 反向传播误差，计算梯度，以便更新模型参数。
    print("ok")

24、优化器

所有的优化器都集中在torch.optim里面（找不到torch.optim可以打开这个网址：https://pytorch.org/docs/stable/optim.html）。

使用优化器的简单示例：

代码如下（建议复制到PyCharm中阅读）：

import torch
import torchvision
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.optim.lr_scheduler import StepLR
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("./CIFAR10data", train=False, transform=torchvision.transforms.ToTensor(),
                                       download=True)

dataloader = DataLoader(dataset, batch_size=1)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x

loss = nn.CrossEntropyLoss()
tudui = Tudui()
optim = torch.optim.SGD(tudui.parameters(), lr=0.01)
# 定义一个随机梯度下降优化器（SGD），用于优化 tudui 的参数，学习率设置为 0.01。
scheduler = StepLR(optim, step_size=5, gamma=0.1)
# 定义学习率调度器，每 5 个 Epoch 将学习率乘以 0.1。

for epoch in range(20):
    running_loss = 0.0
    for data in dataloader:
        imgs, targets = data
        outputs = tudui(imgs)
        result_loss = loss(outputs, targets)
        optim.zero_grad()           # 清空优化器中的梯度，以便进行新的反向传播。
        result_loss.backward()      # 进行反向传播，计算损失对网络参数的梯度。
        scheduler.step()            # 根据调度策略更新学习率。
        running_loss = running_loss + result_loss
    print(running_loss)