当前位置：网站首页>pytorch框架学习(1)网络的简单构建

pytorch框架学习(1)网络的简单构建

2022-08-10 05:29:00 【Time.Xu】

软件：具有dubg功能的IDE(如PyCharm、Eclipse)、Jupyter、anaconda、Pytorch
与PyTorch相比，Tensorflow的定义和规则比较多，并且在调试过程中不太方便。
在这里插入图片描述

不拘泥于具体操作，在实际运用的过程中查找并使用

创建一个矩阵
x = torch.empty(5,3); x =torch.rand(5.3);
在这里插入图片描述
可见，
pytorch框架输出后的数据格式是tensor(张量)
TensorFlow框架输出后的数据格式是ndarray

展示矩阵大小 torch.size()
改变矩阵维度 view(维度)
在这里插入图片描述

Numpy(ndarry)和PyTorch(tensor)交互
tensor-->ndarry
ndarry-->tensor

为什么要用框架呢？因为自己编程太麻烦了，尤其是做反向传播的时候
在反向传播的时候，我们需要 对矩阵进行求导 这是费事费力的，如果框架帮我们做完了，我们就可以专心于模型的搭建了

requires_grad=True
手动定义哪个参数要求导
在这里插入图片描述
注意：如果梯度不清零，梯度会进行累加的!!!
所以，我们在进行梯度计算的时候，基本流程是：

            **清零->梯度计算->反向传播->清零**

创建两个数组x和y：
x_values = [i for i in range]
在这里插入图片描述

建立一个模型：

在这里插入图片描述
制定超参数&损失函数

训练模型：

目标	注解	代码
数据格式转换	把输入的数据格式转化为tensor格式	torch.from_numpy(x_train)
梯度清零	避免梯度累加出现错误	.zero_grad()
前向传播	得到预测的数据
计算损失	即预测损失与标签之间的差距
反向传播	求梯度	loss.backward()
进行参数更新	自动根据学习率和梯度对参数进行更新	.step()
过程显示	要防止显卡爆炸	loss.item
预测
模型保存	模型保存完是一个字典类型(模型不仅仅是模型，	torch.save(model.state_dict(),‘model.pkl’)
模型读取	还有可能有模型损失、结果等等都可以放进去)	model.load_state_dict(torch.load(“model.pkl”))