import torch
import torch.nn as nn
import torch.nn.functional as f
import inspect
import torch.optim as optim
''' 自動求導機制： 對乙個標量用backward() 會反向計算在計算圖中用到的葉節點的梯度， 如果設定了非葉節點.retain_grad
則可以記錄中間節點的梯度。 節點的grad_fn 記錄了這個節點通過乙個什麼樣的函式得來的
'''class net(nn.module):
def __init__(self):
super(net, self).__init__()
self.conv1 = nn.conv2d(1, 6, 5)
self.conv2 = nn.conv2d(6, 16, 5)
self.fc1 = nn.linear(16 * 5 * 5, 120)
self.fc2 = nn.linear(120, 84)
self.fc3 = nn.linear(84, 10)
# 定義好forward函式， 呼叫backward()會自動計算導數
def forward(self, x):
x = f.max_pool2d(f.relu(self.conv1(x)), (2, 2))
x = f.max_pool2d(f.relu(self.conv2(x)), 2)
x = x.view(x.size()[0], -1)
x = f.relu(self.fc1(x))
x = f.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self, x):
# 取除了batchsize以外的維度
pass
net = net()
print(net)
input = torch.randn(1, 1, 32, 32)
output = net(input)
target = torch.randn(10)
# 新增乙個批次的維度
target = target.view(1, -1)
criterion = nn.mseloss()
loss = criterion(output, target)
net.zero_grad()
print(net.conv1.bias.grad)
loss.backward()
print(net.conv1.bias.grad)
params = list(net.parameters())
for i in range(len(params)):
print(params[i].size(), '\n')
# 自定義的乙個簡化的sgd演算法
learning_rate = 0.1
for f in net.parameters():
# 利用sub in-place
f.data.sub_(f.grad.data * learning_rate)
# 或者採用系統定義的優化方法
optimizer = optim.sgd(net.parameters(), lr=0.01)
torch.size([6, 1, 5, 5])
torch.size([6])
torch.size([16, 6, 5, 5])
torch.size([16])
torch.size([120, 400])
torch.size([120])
torch.size([84, 120])
torch.size([84])
torch.size([10, 84])
torch.size([10])
PyTorch分類神經網路
這次我們也是用最簡單的途徑來看看神經網路是怎麼進行事物的分類.我們建立一些假資料來模擬真實的情況.比如兩個二次分布的資料,不過他們的均值都不一樣.import torch import matplotlib.pyplot as plt 假資料 n data torch.ones 100,2 資料的基...
卷積神經網路 pytorch
vocab args.vocab size 已知詞的數量 dim args.embed dim 每個詞向量長度 cla args.class num 類別數 ci 1 輸入的channel數 knum args.kernel num 每種卷積核的數量 ks args.kernel sizes 卷積核...
Pytorch 卷積神經網路
一般而言，輸入層的大小應該能夠被2整除很多次，常用32，64，96，224 盡可能使用小尺寸的濾波器，例如3 3，滑動步長選擇1。需要對輸入資料體進行零填充，保證輸出和輸入一樣的空間大小 對輸入資料空間進行下取樣 不使用的話，會導致影象邊緣資訊過快地損失掉 沒有人能在一開始就想清楚，只有開始做了，你...