【简易笔记】PyTorch官方教程简易笔记 EP2

已完结…
记录PyTorch 官方入门教程中的大部分代码和对代码的解释注释

暂时内容包括：构建一个神经网络

参考网站：https://pytorch.org/tutorials/beginner/
/buildmodel_tutorial.html

构建神经网络

import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
from zmq import device

if torch.cuda.is_available:
    device = "cuda"
    print("cuda加速已开启")
else:
    device = "cpu"

这一段是设置对张量的加速设置，cuda对应着GPU加速，需要用到N卡的cuda

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        NeuralNetwork.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512,258),
            nn.ReLU(),
            nn.Linear(258, 10),
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork().to(device)
print(model)

这里是构建这个神经网络类，下面对每部分代码一一注释解释

super().__init__()

以nn.Module为父类创建他的子类，这个函数是用于设定继承父类的方法

函数参考：nn.module
super().init()

self.flatten = nn.Flatten()

这是一个用于压平的函数，对应着之前理论的例子，在进行机器学习时，通常会把数据进行压平（如 28* 28 压为 1* 784）
我们这个子类继承于nn.flatten函数

函数参考：nn.flatten

 self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512,258),
            nn.ReLU(),
            nn.Linear(258, 10),

如其所示linear是线性分类器，ReLU是一最常见而经典的激活函数
这样设置相当于四层，输入维度为28* 28（1*784），最终输出10个特征值

函数参考：Sequential
Linear
ReLU

def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

这里就开始定义，x即为压平后的张量，logits就是打包后的一个分类器
到此为止，这个类的定义完毕

model = NeuralNetwork().to(device)
print(model)

创建一个对象model，将实例化后的模型（NeuralNetwork）传递给设置好的设备（cuda or cpu）并赋值给这个对象model
之后进行输出这个对象model

X = torch.rand(1, 28, 28, device=device)
logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
# softmax = nn.Softmax(dim=1)
# pred_probab = softmax(logits)
#归一化时也可以这样操作，一样的
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

那么我们用随机数将这个与分类器形式对应的张量初始化
由之前的知识（这个X就是我们想要优化的参数？？）
之后用softmanx函数将输出的10个特征值进行归一化
之后的argmax函数是输出归一化后的pred_probab这个张量在这个维度最大的值的序号
函数参考：Softmax
argmax

input_image = torch.rand(3,28,28)
# print(input_image.size())
flatten = nn.Flatten()
# flat_image = flatten(input_image)
# print(flat_image.size())
layer1 = nn.Linear(in_features=28*28, out_features=20)
# hidden1 = layer1(flat_image)
# print(hidden1.size())
# print(f"Before ReLU: {hidden1}\n\n")
# hidden1 = nn.ReLU()(hidden1)
# print(f"After ReLU: {hidden1}")
seq_modules = nn.Sequential(
    flatten,
    layer1,
    nn.ReLU(),
    nn.Linear(20, 10)
)
logits = seq_modules(input_image)

这里我们就创建一个所谓的图像（这个张量为3通道2828大小的图像）
然后将这个图像压平（就像之前我们对那个参数X的操作一样，只不过之前是写在类里面的）
创建一个线性分类器并命名为layer1，与上面一样输入为2828，输出为20
（让这个图形输入后将输出部分命名为hidden1，即隐藏层）
然后用激活函数ReLU对这个图像的隐藏层进行处理（这个图像现在还是三通道的）
seq_modules写的是对这个图像进行处理的步骤进行打包，与之前写的那个类里类似

for name, param in model.named_parameters():
    print(f"Layer: {name} | Size: {param.size()} | Values : {param[:2]} \n")

param意为参数，用named_parameters这个迭代器循环遍历各层中的参数
函数参考：有关python中切片的介绍