简介
深度学习使用人工神经网络(模型),它是由许多层相互连接的单元组成的计算系统。通过这些相互连接的单元传递数据,神经网络能够学习如何近似地计算将输入转换为输出所需的计算。在PyTorch中,可以使用 torch.nn 构建神经网络。
PyTorch提供了优雅设计的模块和类,包括 torch.nn,来帮助创建和训练神经网络。nn.Module 包含层,forward(input) 方法返回输出。
步骤
- 导入加载数据所需的所有库
- 定义并初始化神经网络
- 指定数据如何在模型中传递
- [可选]将数据传递给模型进行测试
导入加载数据所需的库
import torch
import torch.nn as nn
import torch.nn.functional as F
定义并初始化神经网络
该网络用于识别图像。将使用PyTorch内置的卷积过程。卷积将图像的每个元素添加到其局部邻域,由核或小矩阵加权,这有助于从输入图像中提取某些特征(如边缘检测、清晰度、模糊度等)。
定义模型的Net类有两个要求。第一个是写一个 __init__ 函数来引用 nn.Module。这个函数用于定义神经网络中所有的连接层。
使用卷积,将定义的模型以获取1个输入图像通道,输出与目标匹配,即表示数字0到9的10个标签。将遵循标准MNIST算法。
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 32, 3, 1)
self.conv2 = nn.Conv2d(32, 64, 3, 1)
self.dropout1 = nn.Dropout2d(0.25)
self.dropout2 = nn.Dropout2d(0.5)
self.fc1 = nn.Linear(9216, 128)
self.fc2 = nn.Linear(128, 10)
my_nn = Net()
print(my_nn)
已经定义了神经网络,然后必须定义数据如何通过网络。
指定数据如何通过模型
当使用PyTorch构建模型时,需要定义 forward 函数,它将数据传递到计算图,表示前馈算法。可以在前向函数中使用任何张量运算。
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 32, 3, 1)
self.conv2 = nn.Conv2d(32, 64, 3, 1)
self.dropout1 = nn.Dropout2d(0.25)
self.dropout2 = nn.Dropout2d(0.5)
self.fc1 = nn.Linear(9216, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = self.conv1(x)
x = F.relu(x)
x = self.conv2(x)
x = F.relu(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1) # Flatten x with start_dim=1
x = self.fc1(x) # Pass data through fc1
x = F.relu(x)
x = self.dropout2(x)
x = self.fc2(x)
output = F.log_softmax(x, dim=1) # Apply softmax to x
return output
[可选]将数据传递给模型进行测试
为了确保收到所需的输出,通过传递一些随机数据来测试模型。
# Equates to one random 28x28 image
random_data = torch.rand((1, 1, 28, 28))
my_nn = Net()
result = my_nn(random_data)
print (result)