pytorch学习4

博主： Xherlock
发布时间：2022 年 08 月 19 日
478 次浏览
暂无评论
4547字数
分类： pytorch

# pytorch学习4

## 神经网络

### nn.Sequential搭建实战

模块将按照它们在构造函数中传递的顺序添加到其中

![Structure of CIFAR10-quick model.  ](https://www.researchgate.net/profile/Yiren-Zhou-6/publication/312170477/figure/fig2/AS:448817725218817@1484017892180/Structure-of-CIFAR10-quick-model.png)

**未使用Sequential**

~~~python
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = Conv2d(3, 32, 5, padding=2)
        self.maxpool1 = MaxPool2d(2)
        self.conv2 = Conv2d(32, 32, 5, padding=2)
        self.maxpool2 = MaxPool2d(2)
        self.conv3 = Conv2d(32, 64, 5, padding=2)
        self.maxpool3 = MaxPool2d(2)
        self.flatten = Flatten()
        self.linear1 = Linear(1024, 64)
        self.linear2 = Linear(64, 10)

def forward(self, x):
        x = self.conv1(x)
        x = self.maxpool1(x)
        x = self.conv2(x)
        x = self.maxpool2(x)
        x = self.conv3(x)
        x = self.maxpool3(x)
        x = self.flatten(x)
        x = self.linear1(x)
        x = self.linear2(x)

test = MyModel()
print(test)
~~~

输出

~~~
MyModel(
  (conv1): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
  (maxpool1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (conv2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
  (maxpool2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (conv3): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
  (maxpool3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (flatten): Flatten(start_dim=1, end_dim=-1)
  (linear1): Linear(in_features=1024, out_features=64, bias=True)
  (linear2): Linear(in_features=64, out_features=10, bias=True)
)
~~~

测试：

~~~python
input = torch.ones((64, 3, 32, 32))
output = test(input)
print(output.shape)
~~~

输出

~~~
torch.Size([64, 10])
~~~

**使用Sequential**

修改自定义MyModel类

~~~python
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

def forward(self, x):
        x = self.model1(x)
        return x
~~~

输出（和之前一样，代码更简洁）

~~~
MyModel(
  (model1): Sequential(
    (0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (6): Flatten(start_dim=1, end_dim=-1)
    (7): Linear(in_features=1024, out_features=64, bias=True)
    (8): Linear(in_features=64, out_features=10, bias=True)
  )
)
torch.Size([64, 10])
~~~

查看模型示意图（双击可以查看具体模型处理步骤）

~~~python
writer = SummaryWriter("logs_seq")
writer.add_graph(test, input)
writer.close()
~~~

![image-20220819111653267.png](http://xherlock.top/usr/uploads/2022/08/535569144.png)

### 损失函数和反向传播

**L1Loss**()：计算输入和目标之间的绝对误差，参数reduction有none、mean、sum

~~~python
import torch
from torch.nn import L1Loss

inputs = torch.tensor([1, 1, 3], dtype=torch.float32)
targets = torch.tensor([1, 2, 5], dtype=torch.float32)

inputs = torch.reshape(inputs, (1, 1, 1, 3))
targets = torch.reshape(targets, (1, 1, 1, 3))

loss = L1Loss(reduction='none')
result = loss(inputs, targets)
print(result)
~~~

输出（none时相当于每个求差值并显示）

~~~
tensor([[[[0., 1., 2.]]]])
~~~

reduction='**mean**'：tensor(0.6667)（相当于计算差值和并求平均）

reduction='**sum**'：tensor(2.)（相当于计算差值和）

**MSELoss**()：计算均方误差，参数reduction通L1Loss

案例同上

~~~python
loss = MSELoss(reduction='sum')
result = loss(inputs, targets)
print(result)
~~~

输出：tensor(5.)

~~~python
x = torch.tensor([0.1, 0.2, 0.3])
y = torch.tensor([1])
x = torch.reshape(x, (1, 3))
loss_cross = CrossEntropyLoss()
result_loss = loss_cross(x, y)
print(result_loss)
~~~

输出：

~~~
tensor(1.1019)
~~~

最后修改：2022 年 08 月 19 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复

评论 *

私密评论

名称 *

🎲

邮箱 *

地址

Reverse（十一）
浏览次数: 2627
Win11新机鼓捣记录
浏览次数: 2381
栈~数制转换
浏览次数: 1603
C++学习
浏览次数: 1602
Python实现文件管理系统（重命名和删除）
浏览次数: 1574

顶点软件
你写得非常清晰明了，让我很容易理解你的观点。
mars
博主你好，请问怎么知道的alloc函数属于Buffer下的方法...
lj
该评论仅登录用户及评论双方可见
Mr.Guan
:@(赞一个)
Typecho
欢迎加入 Typecho 大家族

pytorch学习4

Xherlock • 2022 年 08 月 19 日

# pytorch学习4

## 神经网络

### nn.Sequential搭建实战

模块将按照它们在构造函数中传递的顺序添加到其中

![Structure of CIFAR10-quick model.  ](https://www.researchgate.net/profile/Yiren-Zhou-6/publication/312170477/figure/fig2/AS:448817725218817@1484017892180/Structure-of-CIFAR10-quick-model.png)

**未使用Sequential**

~~~python
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear

test = MyModel()
print(test)
~~~

输出

测试：

~~~python
input = torch.ones((64, 3, 32, 32))
output = test(input)
print(output.shape)
~~~

输出

~~~
torch.Size([64, 10])
~~~

**使用Sequential**

修改自定义MyModel类

def forward(self, x):
        x = self.model1(x)
        return x
~~~

输出（和之前一样，代码更简洁）

查看模型示意图（双击可以查看具体模型处理步骤）

~~~python
writer = SummaryWriter("logs_seq")
writer.add_graph(test, input)
writer.close()
~~~

![image-20220819111653267.png](http://xherlock.top/usr/uploads/2022/08/535569144.png)

### 损失函数和反向传播

**L1Loss**()：计算输入和目标之间的绝对误差，参数reduction有none、mean、sum

~~~python
import torch
from torch.nn import L1Loss

inputs = torch.tensor([1, 1, 3], dtype=torch.float32)
targets = torch.tensor([1, 2, 5], dtype=torch.float32)

inputs = torch.reshape(inputs, (1, 1, 1, 3))
targets = torch.reshape(targets, (1, 1, 1, 3))

loss = L1Loss(reduction='none')
result = loss(inputs, targets)
print(result)
~~~

输出（none时相当于每个求差值并显示）

~~~
tensor([[[[0., 1., 2.]]]])
~~~

reduction='**mean**'：tensor(0.6667)（相当于计算差值和并求平均）

reduction='**sum**'：tensor(2.)（相当于计算差值和）

**MSELoss**()：计算均方误差，参数reduction通L1Loss

案例同上

~~~python
loss = MSELoss(reduction='sum')
result = loss(inputs, targets)
print(result)
~~~

输出：tensor(5.)

~~~python
x = torch.tensor([0.1, 0.2, 0.3])
y = torch.tensor([1])
x = torch.reshape(x, (1, 3))
loss_cross = CrossEntropyLoss()
result_loss = loss_cross(x, y)
print(result_loss)
~~~

输出：

~~~
tensor(1.1019)
~~~

pytorch学习4

发表评论取消回复

Reverse（十一）

Win11新机鼓捣记录

栈~数制转换

C++学习

Python实现文件管理系统（重命名和删除）

数据结构与算法~树

Sqli-labs安装教程

Reverse（五）

Reverse（二）

汇编语言学习（七）顺序、分支、循环程序设计

pytorch学习4

发表评论 取消回复

pytorch学习4

发表评论取消回复