网站开发 .net 开源,新云网站模版,开发次元世界,域名注册证书简单的示例#xff1a;
在PyTorch中#xff0c;可以使用nn.Module类来定义神经网络模型。以下是一个示例的神经网络模型定义的代码#xff1a;
import torch
import torch.nn as nnclass MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()# 定义神经…简单的示例
在PyTorch中可以使用nn.Module类来定义神经网络模型。以下是一个示例的神经网络模型定义的代码
import torch
import torch.nn as nnclass MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()# 定义神经网络的层和参数self.conv1 nn.Conv2d(1, 32, kernel_size3, stride1, padding1)self.relu nn.ReLU()self.maxpool nn.MaxPool2d(kernel_size2, stride2)self.fc1 nn.Linear(32 * 14 * 14, 128)self.fc2 nn.Linear(128, 10)self.softmax nn.Softmax(dim1)def forward(self, x):x self.conv1(x)x self.relu(x)x self.maxpool(x)x x.view(x.size(0), -1)x self.fc1(x)x self.relu(x)x self.fc2(x)x self.softmax(x)return x在上面的示例中定义了一个名为MyModel的神经网络模型继承自nn.Module类。在__init__方法中我们定义了模型的层和参数。具体来说
代码定义了一个卷积层输入通道数为1输出通道数为32卷积核大小为3x3步长为1填充为1。定义了一个ReLU激活函数用于在卷积层之后引入非线性性质。定义了一个最大池化层池化核大小为2x2步长为2。定义了一个全连接层输入大小为32x14x14经过卷积和池化后的特征图大小输出大小为128。定义了另一个全连接层输入大小为128输出大小为10。定义了一个softmax函数用于将模型的输出转换为概率分布。
在forward方法中定义了模型的前向传播过程。具体来说
x self.conv1(x): 将输入张量传递给卷积层进行卷积操作。x self.relu(x): 将卷积层的输出通过ReLU激活函数进行非线性变换。x self.maxpool(x): 将ReLU激活后的特征图进行最大池化操作。x x.view(x.size(0), -1): 将池化后的特征图展平为一维以适应全连接层的输入要求。x self.fc1(x): 将展平后的特征向量传递给第一个全连接层。x self.relu(x): 将第一个全连接层的输出通过ReLU激活函数进行非线性变换。x self.fc2(x): 将第一个全连接层的输出传递给第二个全连接层。x self.softmax(x): 将第二个全连接层的输出通过softmax函数进行归一化得到每个类别的概率分布。
这个示例展示了一个简单的卷积神经网络模型适用于处理单通道的图像数据并输出10个类别的分类结果。可以根据自己的需求和数据特点来定义和修改神经网络模型。 接下来将用于实际的数据集进行训练
以下是基于CIFAR10数据集的神经网络训练模型
import torch
import torchvision
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from nn_mode import *#准备数据集
train_datatorchvision.datasets.CIFAR10(root../chap4_Dataset_transforms/dataset,trainTrue,transformtorchvision.transforms.ToTensor())
test_datatorchvision.datasets.CIFAR10(root../chap4_Dataset_transforms/dataset,trainFalse,transformtorchvision.transforms.ToTensor())
#输出数据集的长度
train_data_sizelen(train_data)
test_data_sizelen(test_data)
print(train_data_size)
print(test_data_size)
#加载数据集
train_loaderDataLoader(datasettrain_data,batch_size64)
test_loaderDataLoader(datasettest_data,batch_size64)
#创建神经网络
sjnetSjnet()#损失函数
loss_fnnn.CrossEntropyLoss()
#优化器
learn_lr0.01#便于修改
YHQtorch.optim.SGD(sjnet.parameters(),lrlearn_lr)#设置训练网络的参数
train_step0#训练次数
test_step0#测试次数
epoch10#训练轮数writerSummaryWriter(wanzheng_logs)for i in range(epoch):print(第{}轮训练.format(i1))#开始训练for data in train_loader:imgs,targetsdataoutputssjnet(imgs)lossloss_fn(outputs,targets)#优化器YHQ.zero_grad() # 将神经网络的梯度置零以准备进行反向传播loss.backward() # 执行反向传播计算神经网络中各个参数的梯度YHQ.step() # 调用优化器的step()方法根据计算得到的梯度更新神经网络的参数完成一次参数更新train_step train_step1if train_step%1000:print(训练次数为{},loss为{}.format(train_step,loss))writer.add_scalar(train_loss,loss,train_step)#开始测试total_loss0with torch.no_grad():#上下文管理器用于指示在接下来的代码块中不计算梯度。for data in test_loader:imgs,targetsdataoutputs sjnet(imgs)loss loss_fn(outputs, targets)#使用损失函数 loss_fn 计算预测输出与目标之间的损失。total_losstotal_lossloss#将当前样本的损失加到总损失上用于累积所有样本的损失。print(整体测试集上的loss{}.format(total_loss))writer.add_scalar(test_loss, total_loss, test_step)test_step test_step1torch.save(sjnet,sjnet_{}.pth.format(i))print(模型已保存)writer.close() 其神经网络训练以及测试时的损失值使用TensorBoard进行展示如图所示
