使用Pytorch的torch.nn搭建网络模型

柔光的暖阳◎ 2023-06-29 06:58 15阅读 0赞

torch.nn实现了很多与神经网络相关的类，使用这个可以很方便的搭建起模型。

import torch
    from torch.autograd import Variable
    batch_n = 100
    hidden_layer = 100
    input_data = 1000
    output_data = 10
    x = Variable(torch.randn(batch_n, input_data), requires_grad = False)
    y = Variable(torch.randn(batch_n, output_data), requires_grad = False)

这样便定义了变量和输入输出变量，此处权重被省略了。  
接下来开始搭建网络模型，有了这个手写前向后向就不需要了（tql）。torch.nn.Sequential是一类容器，通过在容器中嵌套各种实现神经网络相关的类，来完成对神经网络的搭建，并且参数会根据我们的搭建自动传递下去:

models = torch.nn.Sequential(OrderedDict(
        [
            ('Line1',torch.nn.Linear(input_data, hidden_layer)),
            ('Relul',torch.nn.ReLU()),
            ('Line2',torch.nn.Linear(hidden_layer, output_data))
        ]
    ))

我在此处加入了序列字典，这样如果单独打印模型内容的话，可以方便找到当前的网络层，使用字典需要引入头函数：

from collections import OrderedDict

在这个网络中，使用了torch.nn.MSELoss(均方差函数)对误差进行计算，定义类时不需要引入任何参数，但是在使用的时候则需要：

loos_f = torch.nn.MSELoss()

在循环中会有参数的调用：

for epoch in range(epoch_n):
        y_pred = models(x)#此处要有参数
        loss = loos_f(y_pred, y)
        if epoch%100 is 0:
            print("Epoch:{}, Loss:{:.4f}".format(epoch, loss.data))
        models.zero_grad()
        loss.backward()
        for param in models.parameters():
            param.data -= param.grad.data * learning_rate

最终输出结果如下：

Epoch:8800, Loss:1.0939
    Epoch:8900, Loss:1.0939
    Epoch:9000, Loss:1.0938
    Epoch:9100, Loss:1.0937
    Epoch:9200, Loss:1.0936
    Epoch:9300, Loss:1.0935
    Epoch:9400, Loss:1.0935
    Epoch:9500, Loss:1.0934
    Epoch:9600, Loss:1.0933
    Epoch:9700, Loss:1.0932
    Epoch:9800, Loss:1.0931
    Epoch:9900, Loss:1.0931

一直是收敛的，说明是正确的。