1 任務(wù)

首先說(shuō)下我們要搭建的網(wǎng)絡(luò)要完成的學(xué)習(xí)任務(wù)： 讓我們的神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)邏輯異或運(yùn)算，異或運(yùn)算也就是俗稱(chēng)的“相同取0，不同取1” 。再把我們的需求說(shuō)的簡(jiǎn)單一點(diǎn)，也就是我們需要搭建這樣一個(gè)神經(jīng)網(wǎng)絡(luò)，讓我們?cè)谳斎耄?,1）時(shí)輸出0，輸入（1,0）時(shí)輸出1（相同取0，不同取1），以此類(lèi)推。

2 實(shí)現(xiàn)思路

因?yàn)槲覀兊男枨笮枰袃蓚€(gè)輸入，一個(gè)輸出，所以我們需要在輸入層設(shè)置兩個(gè)輸入節(jié)點(diǎn)，輸出層設(shè)置一個(gè)輸出節(jié)點(diǎn)。因?yàn)閱?wèn)題比較簡(jiǎn)單，所以隱含層我們只需要設(shè)置10個(gè)節(jié)點(diǎn)就可以達(dá)到不錯(cuò)的效果了，隱含層的激活函數(shù)我們采用ReLU函數(shù)，輸出層我們用Sigmoid函數(shù)，讓輸出保持在0到1的一個(gè)范圍，如果輸出大于0.5，即可讓輸出結(jié)果為1，小于0.5，讓輸出結(jié)果為0.

3 實(shí)現(xiàn)過(guò)程

我們使用的簡(jiǎn)單的快速搭建法。

3.1 引入必要庫(kù)

import torchimport torch.nn as nnimport numpy as np

用pytorch當(dāng)然要引入torch包，然后為了寫(xiě)代碼方便將torch包里的nn用nn來(lái)代替，nn這個(gè)包就是neural network的縮寫(xiě)，專(zhuān)門(mén)用來(lái)搭神經(jīng)網(wǎng)絡(luò)的一個(gè)包。引入numpy是為了創(chuàng)建矩陣作為輸入。

3.2 創(chuàng)建訓(xùn)練集

# 構(gòu)建輸入集x = np.mat(’0 0;’ ’0 1;’ ’1 0;’ ’1 1’)x = torch.tensor(x).float()y = np.mat(’1;’ ’0;’ ’0;’ ’1’)y = torch.tensor(y).float()

我個(gè)人比較喜歡用np.mat這種方式構(gòu)建矩陣，感覺(jué)寫(xiě)法比較簡(jiǎn)單，當(dāng)然你也可以用其他的方法。但是構(gòu)建完矩陣一定要有這一步 torch.tensor(x).float() ，必須要把你所創(chuàng)建的輸入轉(zhuǎn)換成tensor變量。

什么是tensor呢？你可以簡(jiǎn)單地理解他就是pytorch中用的一種變量，你想用pytorch這個(gè)框架就必須先把你的變量轉(zhuǎn)換成tensor變量。而我們這個(gè)神經(jīng)網(wǎng)絡(luò)會(huì)要求你的輸入和輸出必須是float浮點(diǎn)型的，指的是tensor變量中的浮點(diǎn)型，而你用np.mat創(chuàng)建的輸入是int型的，轉(zhuǎn)換成tensor也會(huì)自動(dòng)地轉(zhuǎn)換成tensor的int型，所以要在后面加個(gè).float（）轉(zhuǎn)換成浮點(diǎn)型。

這樣我們就構(gòu)建完成了輸入和輸出（分別是x矩陣和y矩陣），x是四行二列的一個(gè)矩陣，他的每一行是一個(gè)輸入，一次輸入兩個(gè)值，這里我們把所有的輸入情況都列了出來(lái)。輸出y是一個(gè)四行一列的矩陣，每一行都是一個(gè)輸出，對(duì)應(yīng)x矩陣每一行的輸入。

3.3 搭建網(wǎng)絡(luò)

myNet = nn.Sequential( nn.Linear(2,10), nn.ReLU(), nn.Linear(10,1), nn.Sigmoid() )print(myNet)

輸出結(jié)果:

我們使用nn包中的Sequential搭建網(wǎng)絡(luò)，這個(gè)函數(shù)就是那個(gè)可以讓我們像搭積木一樣搭神經(jīng)網(wǎng)絡(luò)的一個(gè)東西。

nn.Linear(2,10)的意思搭建輸入層，里面的2代表輸入節(jié)點(diǎn)個(gè)數(shù)，10代表輸出節(jié)點(diǎn)個(gè)數(shù)。Linear也就是英文的線性，意思也就是這層不包括任何其它的激活函數(shù)，你輸入了啥他就給你輸出了啥。nn.ReLU（）這個(gè)就代表把一個(gè)激活函數(shù)層，把你剛才的輸入扔到了ReLU函數(shù)中去。 接著又來(lái)了一個(gè)Linear，最后再扔到Sigmoid函數(shù)中去。 2,10,1就分別代表了三個(gè)層的個(gè)數(shù)，簡(jiǎn)單明了。

3.4 設(shè)置優(yōu)化器

optimzer = torch.optim.SGD(myNet.parameters(),lr=0.05)loss_func = nn.MSELoss()

對(duì)這一步的理解就是，你需要有一個(gè)優(yōu)化的方法來(lái)訓(xùn)練你的網(wǎng)絡(luò)，所以這步設(shè)置了我們所要采用的優(yōu)化方法。

torch.optim.SGD的意思就是采用SGD(隨機(jī)梯度下降)方法訓(xùn)練，你只需要把你網(wǎng)絡(luò)的參數(shù)和學(xué)習(xí)率傳進(jìn)去就可以了，分別是 myNet.paramets 和 lr 。 loss_func 這句設(shè)置了代價(jià)函數(shù)，因?yàn)槲覀兊倪@個(gè)問(wèn)題比較簡(jiǎn)單，所以采用了MSE，也就是均方誤差代價(jià)函數(shù)。

3.5 訓(xùn)練網(wǎng)絡(luò)

for epoch in range(5000): out = myNet(x) loss = loss_func(out,y) optimzer.zero_grad() loss.backward() optimzer.step()

我這里設(shè)置了一個(gè)5000次的循環(huán)（可能不需要這么多次），讓這個(gè)訓(xùn)練的動(dòng)作迭代5000次。每一次的輸出直接用myNet（x），把輸入扔進(jìn)你的網(wǎng)絡(luò)就得到了輸出out（就是這么簡(jiǎn)單粗暴?。?，然后用代價(jià)函數(shù)和你的標(biāo)準(zhǔn)輸出y求誤差。 清除梯度的那一步是為了每一次重新迭代時(shí)清除上一次所求出的梯度，你就把這一步記住就行，初學(xué)不用理解太深。 loss.backward（） 當(dāng)然就是讓誤差反向傳播，接著 optimzer.step（） 也就是讓我們剛剛設(shè)置的優(yōu)化器開(kāi)始工作。

3.6 測(cè)試

print(myNet(x).data)

運(yùn)行結(jié)果:

可以看到這個(gè)結(jié)果已經(jīng)非常接近我們期待的結(jié)果了，當(dāng)然你也可以換個(gè)數(shù)據(jù)測(cè)試，結(jié)果也會(huì)是相似的。這里簡(jiǎn)單解釋下為什么我們的代碼末尾加上了一個(gè).data，因?yàn)槲覀兊膖ensor變量其實(shí)是包含兩個(gè)部分的，一部分是tensor數(shù)據(jù)，另一部分是tensor的自動(dòng)求導(dǎo)參數(shù)，我們加上.data意思是輸出取tensor中的數(shù)據(jù)，如果不加的話會(huì)輸出下面這樣：

以上就是PyTorch如何搭建一個(gè)簡(jiǎn)單的網(wǎng)絡(luò)的詳細(xì)內(nèi)容，更多關(guān)于PyTorch搭建網(wǎng)絡(luò)的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！