第二章 2.3 使用Pytorch构建神经网络

合集 - PyTorch计算机视觉实战：目标检测、图像处理与深度学习(14)

1.第一章： PyTorch计算机视觉实战:目标检测、图像处理与深度学习2024-12-122.《Pytorch 最全入门介绍，Pytorch入门看这一篇就够了》学习2024-12-12

3.第二章 2.3 使用Pytorch构建神经网络2024-12-12

4.第二章 2.3.1 定义数据集训练神经网络2024-12-125.第二章 2.4使用序贯方法构建神经网络nn.Sequential() 及打印神经网络模型摘要2024-12-126.第二章 2.5 保存和加载文件中Pytorch模型2024-12-127.第三章 3.1 表示图像 理解灰度图、RGB图和数组的关系2024-12-138.第三章 3.3 使用pytorch的数据集2024-12-139.第三章 3.4 训练神经网络2024-12-1510.第三章 3.6 批大小的影响2024-12-1611.第三章：3.8.1 绘制各层参数分布图 hist2024-12-1612.第三章 3.9 在训练过程中修改学习率2024-12-1613.第三章 3.10 构建更深的神经网络 比较有0、1、2隐含层的神经网络2024-12-1614.第三章 3.12 dropout 和 正则化 克服过拟合2024-12-16

收起

 

 

# https://github.com/PacktPublishing/Modern-Computer-Vision-with-PyTorch
# https://github.com/PacktPublishing/Modern-Computer-Vision-with-PyTorch

###################  Chapter Two #######################################

import torch
import torch.nn as nn
########################################################################
x = [[1,2],[3,4],[5,6],[7,8]]
y = [[3],[7],[11],[15]]

X = torch.tensor(x).float()
Y = torch.tensor(y).float()
########################################################################
device = 'cuda' if torch.cuda.is_available() else 'cpu'
X = X.to(device)
Y = Y.to(device)
print(device)

########################################################################

class MyNeuralNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.input_to_hidden_layer = nn.Linear(2,8)
        self.hidden_layer_activation = nn.ReLU()
        self.hidden_to_output_layer = nn.Linear(8,1)
    def forward(self, x):
        x = self.input_to_hidden_layer(x)
        x = self.hidden_layer_activation(x)
        x = self.hidden_to_output_layer(x)
        return x
########################################################################
mynet = MyNeuralNet().to(device)
########################################################################
loss_func = nn.MSELoss()

_Y = mynet(X)
loss_value = loss_func(_Y,Y)
print("损失值",loss_value)
########################################################################
from torch.optim import SGD
opt = SGD(mynet.parameters(), lr = 0.001)

########################################################################
loss_history = []
for _ in range(100):
    opt.zero_grad()
    loss_value = loss_func(mynet(X),Y)
    loss_value.backward()
    opt.step()
    loss_history.append(loss_value.item())
########################################################################
import matplotlib.pyplot as plt
#matplotlib inline
plt.plot(loss_history)
plt.title('Loss variation over increasing epochs')
plt.xlabel('epochs')
plt.ylabel('loss value')
plt.show()
########################################################################
_Y = mynet(X)
loss_value = loss_func(_Y,Y)
print("损失值",loss_value)

val_x = [[7,8]]
val_x = torch.tensor(val_x).float().to(device)
print("输入输出测试",mynet(val_x))