PyTorch 教程-实现深度神经网络

在了解了反向传播的过程之后，让我们开始看看如何使用PyTorch实现深度神经网络。实现深度神经网络的过程类似于感知器模型的实现。在实现过程中，我们需要执行以下步骤。

步骤1：

import torch  import numpy as np  import matplotlib.pyplot as plt  from sklearn import datasets

步骤2：

no_of_points=500  datasets.make_blobs()

步骤3：

现在，我们将创建我们的数据集，并将数据点存储到变量x中，同时将值存储到变量y中，我们将使用标签作为稍后的参考。

x,y=datasets.make_blobs()

步骤4：

x, y = datasets.make_circles(n_samples=no_of_points, random_state=123, noise=0.1, factor=0.2)

专属福利 
👉点击领取：最全Python资料合集

步骤5：

plt.scatter(x[y==0,0],x[y==0,1])

步骤6：

plt.scatter(x[y==1,0],x[y==1,1])

单一线无法对上述数据集进行分类。要对这个数据集进行分类，将需要一个更深层次的神经网络。

def Scatter():      plt.scatter(x[y==0,0],x[y==0,1])      plt.scatter(x[y==1,0],x[y==1,1])

步骤7：

class Deep_neural_network(nn.Module):  def __init__(self,input_size, h1, output_size):                  super().__init__()                  self.linear=nn.Linear(input_size, h1)   # input layer connect with hidden layer                self.linear1=nn.Linear(h1, output_size)   # hidden layer connect with output layer  

def forward(self,x):      x=torch.sigmoid(self.linear(x)) # Return the prediction x       x=torch.sigmoid(self.linear1(x))    # Prediction will go through the next layer.      return x                # Returning final outputs

xdata=torch.Tensor(x)  ydata=torch.Tensor(y)

步骤8：

print(list(model.parameters()))

torch.manual_seed(2)

步骤9：

criterion=nn.BCELoss()

optimizer=torch.optim.Adam(model.parameters(),lr=0.01)

如果选择最小的学习率，它会导致非常缓慢地收敛到最小值，如果选择非常大的学习率可能会阻碍收敛。Adam优化算法最终计算每个参数的自适应学习率。

步骤10：

epochs=1000  losses=[]  For i in range (epochs):      ypred=model.forward(x)  #Prediction of y      loss=criterion(ypred,y)   #Find loss      losses.append()     # Add loss in list       optimizer.zero_grad()   # Set the gradient to zero      loss.backward()    #To compute derivatives       optimizer.step()    # Update the parameters

 1

热门推荐

• 北大学生吐槽：现在一群专科面试官在面试985、211，肯定面不过.....他们怕自己位置不保！
• 巨好看！5款红包封面免费领！
• PyTorch 教程-深度神经网络中的反向传播过程