Pytorch 之torch.nn进阶第1关:正则化

本博客介绍了Pytorch中BatchNorm和InstanceNorm的正则化原理及应用,通过实例展示了如何在神经网络中使用这两种正则化方法,并提供了编程要求和测试说明。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

有偿提供CS的人工智能/网络空间安全方向的大学生课程设计、算法设计、项目设计的思路及实现指导;竞赛PPT、项目申报书等撰写润色等。 

经过“ Pytorch 之 torch.nn初探“ 实训的学习,想必同学们对torch.nn有了一个初步的认识。接下来,本实训将介绍更多内容帮助同学们运用神经网络的特性。

任务描述

本关任务:

本关提供了一个Variable 类型的变量input,要求利用BatchNorm1d创建一个4维的 带有学习参数的正则化量 m,并输出其weightbias

相关知识

正则化项即罚函数,该项对模型向量进行“惩罚”,从而避免单纯最小二乘问题的过拟合问题。在本节中,我们将介绍正则化方面的知识,这有助于预防过拟合的问题的产生。

首先,先引入我们要使用的包

 
  1. import torch
  2. import torch.nn
  3. from torch.autograd import Variable

BatchNorm

### PyTorch `torch.nn` 高级用法 #### 自定义层实现 除了内置的标准神经网络组件外,PyTorch允许开发者创建自定义层来满足特定需求。通过继承`nn.Module`类并重写其中的方法可以轻松构建新的功能模块。 ```python import torch from torch import nn class CustomLayer(nn.Module): def __init__(self, input_features, output_features): super(CustomLayer, self).__init__() self.linear = nn.Linear(input_features, output_features) def forward(self, x): return torch.relu(self.linear(x)) ``` 此代码片段展示了如何定义一个新的线性变换加ReLU激活函数组合而成的简单定制化层[^1]。 #### 动态计算图支持 得益于PyTorch动态计算图机制,在训练过程中可以根据输入数据调整模型结构而无需重新编译整个程序。这使得实验更加灵活高效。 对于复杂的条件逻辑处理场景尤为有用: ```python def dynamic_forward(x): if sum(x).item() >= 0: branch_a = nn.Sequential( nn.Conv2d(3, 64, kernel_size=7), nn.ReLU(), nn.MaxPool2d(kernel_size=2) ) out = branch_a(x) else: branch_b = nn.Sequential( nn.Conv2d(3, 128, kernel_size=5), nn.ReLU(), nn.AvgPool2d(kernel_size=2) ) out = branch_b(x) return out ``` 上述例子中根据输入特征总和决定采用不同卷积分支路径。 #### 参数共享技巧 有时希望某些部分权重在整个网络内被多个地方共同使用,这时可以通过直接赋值方式实现在不同位置间共享参数。 下面的例子说明了两个全连接层之间共享相同的权值矩阵W: ```python shared_linear = nn.Linear(in_features=100, out_features=50) model_with_shared_params = nn.Sequential( shared_linear, nn.ReLU(), shared_linear, # Reuse the same layer instance here. nn.Sigmoid() ) ``` 这种做法有助于减少内存占用以及加速收敛过程。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ad_m1n

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值