pytorch神经网络入门学习分享

python pytorch神经网络入门学习分享

PyTorch是一个基于Python的深度学习框架，它使用张量和计算图来构建和训练神经网络。PyTorch的主要优点是其灵活性，它允许用户轻松地自定义网络结构和训练过程。

1. 张量

张量是PyTorch中表示多维数据的基本数据结构。张量可以是标量（0维张量）、向量（1维张量）、矩阵（2维张量）或更高维的张量。张量可以使用torch.Tensor()函数创建，也可以从NumPy数组或其他张量创建。

import torch

# 创建一个标量
scalar = torch.tensor(3.14)

# 创建一个向量
vector = torch.tensor([1, 2, 3])

# 创建一个矩阵
matrix = torch.tensor([[1, 2], [3, 4]])

# 从NumPy数组创建张量
numpy_array = np.array([1, 2, 3])
tensor = torch.from_numpy(numpy_array)

# 从另一个张量创建张量
other_tensor = torch.tensor([4, 5, 6])
new_tensor = other_tensor.clone()

2. 计算图

计算图是PyTorch中表示神经网络计算过程的数据结构。计算图由节点和边组成，节点表示操作，边表示数据流。PyTorch使用自动微分来计算计算图中各个节点的梯度，这使得训练神经网络变得更加容易。

import torch

# 创建一个计算图
x = torch.tensor(3.0, requires_grad=True)
y = x + 2
z = y * y

# 计算z的梯度
z.backward()

# 打印x的梯度
print(x.grad)

3. 神经网络

神经网络是PyTorch中用于解决各种机器学习问题的基本模型。神经网络由多个层组成，每层都包含多个神经元。神经元是神经网络的基本计算单元，它接收输入数据，并输出一个激活值。

import torch

# 创建一个神经网络
model = torch.nn.Sequential(
    torch.nn.Linear(1, 10),
    torch.nn.ReLU(),
    torch.nn.Linear(10, 1)
)

# 定义损失函数和优化器
loss_fn = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练神经网络
for epoch in range(1000):
    # 前向传播
    y_pred = model(x)

    # 计算损失
    loss = loss_fn(y_pred, y)

    # 反向传播
    loss.backward()

    # 更新权重
    optimizer.step()

    # 打印损失
    print(f'Epoch {epoch}: loss = {loss.item()}')