代码写作套路【3】使用pytorch构建模型的2种方法

PyTorch深度学习实践：模型构建与训练详解

原创已于 2022-06-08 09:31:37 修改 · 1.4k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#python #深度学习

于 2022-03-24 16:37:35 首次发布

套路专栏收录该内容

16 篇文章

订阅专栏

本文介绍了如何使用PyTorch构建深度学习网络，包括Class方法和Sequential方式，详细讲解了数据准备、模型设计、损失函数选择、训练过程及模型细节查看。还涵盖了保存模型和关键参考资料链接。

部署运行你感兴趣的模型镜像

在这里插入图片描述

pytorch是深度学习训练的常用框架，其代码书写有一些可以学习的套路。这个系列的博客将总结pytorch构建深度学习网络并训练的几种套路。

数据准备

实验数据中的x是特征，y是标签，二者均维1维标量，方便对实验结果进行查看。

x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
y = x.pow(3)+0.1*torch.randn(x.size())

模型构建

方法1 Class

这里创建一个Net类，此类继承自nn.Module，因而在第一行需要写上super(Net,self).__init__()。模型中一共包括2个隐藏层，2个激活层，1个输出层。

class Net(nn.Module):
    def __init__(self,n_input,n_hidden,n_output):
        super(Net,self).__init__()
        self.hidden1 = nn.Linear(n_input,n_hidden)
        self.hidden2 = nn.Linear(n_hidden,n_hidden)
        self.predict = nn.Linear(n_hidden,n_output)
    def forward(self,input):
        out = self.hidden1(input)
        out = F.relu(out)
        out = self.hidden2(out)
        out = F.sigmoid(out)
        out =self.predict(out)
        return out

方法2 Sequential

这里的模型model通过Sequential方法构建，这种方法相较于上一种方法更加简单。

x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
y = x.pow(3)+0.1*torch.randn(x.size())

n_input = 1
n_hidden = 10
n_output = 1
model = nn.Sequential(
    nn.Linear(n_input,n_hidden),
    nn.ReLU(),
    nn.Linear(n_hidden,n_hidden),
    nn.ReLU(),
    nn.Linear(n_hidden,n_output),
)
# loss_func = torch.nn.MSELoss()
# optimizer = torch.optim.SGD(model.parameters(),lr = 0.1)

损失函数与训练

损失函数一般都使用pytorch自己定义的一些损失函数，例如cross entropy等等。对于想要自己设计损失函数的情况，需要查看源码中的损失函数的写法，新的损失函数需要按照老损失函数进行定义。2种模型构建方法训练方法一致。

optimizer = torch.optim.SGD(net.parameters(),lr = 0.1)
loss_func = torch.nn.MSELoss()

for t in range(5000):
    prediction = net(x)
    loss = loss_func(prediction,y)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

训练结束后可以打印实验结果

plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.text(0.5, 0, 'Loss = %.4f' % loss.data, fontdict={'size': 20, 'color': 'red'})