神经网络模块 (nn.Module)

nn.Module :是pytorch里面神经网络的基类,当我们实现线性模型时需要继承它

1.线性模型:

	构建模型(样例):import torch.nn as nn
import torch
from torch.autograd import Variableclass LinearModel(nn.Module):# 构建线性模型def __init__(self):super(LinerModel, self).__init__()self.linear = nn.Linear(1,2)  # 1表示输入维度，2表示输出维度def forward(self,x):output = self.linear(x)  # x表示的输入的数据return output
"""
上面是实现的一个简单的线性模型
下面表示训练该线性模型的过程
"""
if torch.cuda.is_available():  # 判断cuda是否能用model = LinearModel().cuda()  # 表示使用cuda(也及时启用GPU)训练模型
else:model = LinearModel()
"设置损失函数和优化器"
criterion = nn.MSELoss()  # 使用均方差误差损失函数
optimizer = torch.optim.SGD(model.parameters(),lr=1e-3)  # 初始化优化器，这儿使用的是随机梯度下降
"开始训练"
"设置迭代次数"
num_epochs = 1000
for epoch in range(num_epochs):"""x_train:表示训练时的输入y_train:表示训练时的输出"""if torch.cuda.is_availabel():"使用Variable将输入转成变量放入计算图"inputs = Variable(x_train).cuda()  # 启用cuda加速labels = Variable(y_train).cuda()  # 启用cuda加速else:inputs = Variable(x_train)  # 不启用cuda加速labels = Variable(y_train)  # 不启用cuda加速outputs = model(inputs)  # 进行前向传播，获得输出loss = criterion(outputs, labels)  # 进行误差计算,就是比较模型输出与标签的差异optimizer.zero_grad()  # 将优化器的梯度置零，防止梯度叠加，导致无法收敛loss.backward()  # 反向传播optimizer.step()if (epoch+1)%20 == 0:print("Epoch[{}/{}],loss:{:.6f}".format(epoch+1,num_epochs,loss.data[0]))"进行模型的测试"
model.eval()  # 将模型转换成测试模型(如果不适用这个可能会报错)
predict = model(Variable(x_test))
predict = predict.data.numpy()  # 转成能够打印的数据
pring(predict)

2.分类模型(以二分类为例):

	构建模型(样例):import torch.nn as nn
import torch
from torch.autograd import Variableclass ClassificationModel(nn.Module):# 构建二分类模型，使用sigmoid()函数进行分类def __init__(self):super(ClassificationModel, self).__init__()self.Linear = nn.Linear(2,1)self.sigmoid = nn.sigmoid()def forward(self,x):out = self.Linear(x)out = self.sigmoid(out)return outclassification = ClassificationModel()  # 初始化分类模型
if torch.cuda.is_available():classification.cuda()criterion = nn.BCELoss()  # 二分类的损失函数
optimizer = torch.optim.SGD(classification.parameters(), lr=1e-3,momentum=0.9)num_epoch = 5000
for epoch in range(num_epoch):if torch.cuda.is_available():inputs = Variable(x_train).cuda()labels = Variable(y_train).cuda()else:inputs = Variable(x_train)outputs = Variable(y_train)"前向传播"outputs = classification(inputs)loss = criterion(outputs,labels)mask = outputs.ge(0.5).float()  # 0.5表示阈值，如果大于0.5表示属于第一类，不然属于第二类correct = (mask==labels).sum()acc = correct.data[0]/inputs.size(0)  # 计算精度"反向传播"optimizer.zero_grad()loss.backward()optimizer.step()if (epoch+1) %20 == 0:print('*'*10)print('epoch:{}'.format(epoch+1))print('loss:{}'.format(loss.data[0]))print('acc：{}'.format(acc))说明:correct = (mask==labels).sum()  该方法是用于统计该分类与标签相同的个数

参考书籍:《深度学习入门之PyTorch》