安防公司做网站图片,网站开发硬件,云南省建设工程招标投标行业协会网站,移动端网站设计前有哪些准备工作?一、层和块 块可以描述单个层、多个层组成的组件或整个模型。 通过定义块#xff0c;组装块#xff0c;可以实现复杂的神经网络。 一个块可以由多个class组成。 其实就是 自己定义神经网络net#xff0c;自己定义层的顺序和具体的init、 forward函数。 层和块的顺序由sequen…一、层和块 块可以描述单个层、多个层组成的组件或整个模型。 通过定义块组装块可以实现复杂的神经网络。 一个块可以由多个class组成。 其实就是 自己定义神经网络net自己定义层的顺序和具体的init、 forward函数。 层和块的顺序由sequential处理。 eg class MLP( nn . Module): # 这里只要继承了就可以实例化为一个层 # 用模型参数声明层。这里我们声明两个全连接的层 def __init__(self): # 调用MLP的父类Module的构造函数来执行必要的参数初始化。 即hidden和out的参数会自动生成。 # 这样在类实例化时也可以指定其他函数参数例如模型参数params稍后将介绍 super().__init__() self . hidden nn.Linear( 20 , 256 ) # 隐藏层 self . out nn.Linear( 256 , 10 ) # 输出层 # 定义模型的前向传播 即如何根据输入X返回所需的模型输出 def forward(self, X): # 注意这里我们使用ReLU的函数版本其在nn.functional模块中定义。 return self.out(F.relu(self.hidden(X))) 自己定义网络中的层 一般是在init里定义层在forward里定义参数的传递 即输出的内容 。 # 手搓一个sequential类 class MySequential(nn.Module): def __init__(self, *args): super().__init__() for idx, module in enumerate(args): # 这里module是Module子类的一个实例。我们把它保存在Module类的成员 # 变量_modules中。_module的类型是OrderedDict # _modules的优点是在模块的参数初始化过程中系统会在里面查找需要初始化参数的子块。 self._modules[str(idx)] module def forward(self, X): # OrderedDict保证了按照成员添加的顺序遍历它们 for block in self._modules.values(): X block(X) return X net MySequential (nn.Linear( 20, 256 ), nn.ReLU(), nn.Linear( 256 , 10 )) 为了更强的灵活性我们想将自己定义的块加入模型中。 class FixedHiddenMLP(nn.Module): def __init__(self): super().__init__() # 不计算梯度的随机权重参数。因此其在训练期间保持不变 self.rand_weight torch.rand((20, 20), requires_gradFalse) # 需要一个常数参数时 self.linear nn.Linear(20, 20) def forward(self, X): X self.linear(X) # 使用创建的常量参数以及relu和mm函数 X F.relu(torch.mm(X, self.rand_weight) 1) # 复用全连接层。这相当于两个全连接层共享参数 X self.linear(X) class NestMLP(nn.Module): def __init__(self): super().__init__() self.net nn.Sequential(nn.Linear(20, 64), nn.ReLU(), nn.Linear(64, 32), nn.ReLU()) self.linear nn.Linear(32, 16) def forward(self, X): return self.linear(self.net(X)) #骚操作 chimera nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP()) 二、保存模型参数 torch. save( net .state_dict(), mlp.params) #保存参数 clone MLP() clone.load_state_dict(torch.load(mlp.params)) #复用参数 clone.eval()
