Pytorch笔记 (2) 初识Pytorch

我怕爱的太早我们不能终老 提交于 2019-11-27 18:13:05

一、人工神经网络库

Pytorch ———— 让计算机  确定神经网络的结构 +   实现人工神经元 + 搭建人工神经网络 + 选择合适的权重

(1)确定人工神经网络的 结构: 

只需要告诉Pytorch 神经网络 中的神经元个数   每个神经元是怎么样的【比如 输入 输出 非线性函数】  各神经元的连接方式

(2)确定人工神经元的权重值:

只需要告诉 pytorch 什么样的权重值比较好

(3)处理 输入和输出:

pytorch 可以和其他库合作,协助处理神经网络的 输入和输出

 

 

二、利用Pytorch 实现 迷你AlphaGo

 可以把X[0] X[1]  X[2]  三个输入看作  当前局势,把y看作下一步要下的棋,把g看作胜率函数,以找到 最优的 下棋策略

 

我们不需要知道 从X到 y的 关系的形式,只需要搭建神经网络

不需要告诉神经元的权重都是多少,pytorch 可以帮助找到 神经元的权重

步骤:

只需要把下方 四段代码,前后连接,即可

(1)定义神经网络

from torch.nn import Linear,ReLU,Sequential
net = Sequential(
    Linear(3,8), #第一层 8 个神经元
    ReLU(),# 第一层神经元的 非线性函数是max(·,0)
    Linear(8,8),  #第二层  8个神经元
    ReLU(),#非线性函数是max(·,0)
    Linear(8,1),  #第三层 1 个神经元
)

 这个序列中 有三个Linear 类实例 ————>  说明这个 神经网络 有3层

第一个Linear 类实例 用参数 3 8 来构造,这两个参数 说明每个神经元都有 3个输入,一共有8 个神经元

这个序列中有两个ReLU 类实例,也就是说,其中两个层的神经元的非线性函数都是 max(·,0)

 

这个神经网络最后一层没有使用非线性函数 max(·,0)  ————原因: 我们希望将要制作的 应用既能输出≥0 的结果,也能输出<0 的结果

 

(2)测试函数g()

def g(x,y):
    x0,x1,x2 = x[:,0] ** 0,x[:,1] ** 1,x[:,2] ** 2
    y0 = y[:,0]
    return (x0 + x1 + x2) * y0 - y0 * y0 - x0 * x1 * x2

 

 

 

 (3)寻找合适的神经元的权重

import torch
from torch.optim import Adam
optimizer = Adam(net.parameters())
for step in range(1000):
    optimizer.zero_grad()
    x = torch.randn(1000,3)
    y = net(x)
    outputs = g(x,y)
    loss = -torch.sum(outputs)
    loss.backward()
    optimizer.step()
    if step % 100 == 0:
        print('第{}次迭代损失 = {}'.format(step,loss))
第0次迭代损失 = -533.194091796875
第100次迭代损失 = -1128.9976806640625
第200次迭代损失 = -1480.289794921875
第300次迭代损失 = -1731.8543701171875
第400次迭代损失 = -1867.0120849609375
第500次迭代损失 = -1623.46728515625
第600次迭代损失 = -1827.7152099609375
第700次迭代损失 = -1860.97216796875
第800次迭代损失 = -1743.3468017578125
第900次迭代损失 = -1622.2218017578125

 

代码在第三行构造了优化器 optimizer,这个优化器每次可以改良所有权重值,但是这个改良不是一步到位的

需要让优化器反复循环很多次【后面缩进的语句都是要循环的内容】  ————   每次需要告诉优化器 每次改良的依据是什么

通过 optimizer.step()  完成权重的改良

完成后,就训练好了神经网络

 

 

 

 

(4)测试神经网络的性能

#生成测试数据
x_test = torch.randn(2,3)
print('测试输入:{}'.format(x_test))
# 查看神经网络的计算结果
y_test = net(x_test)
print ('人工神经网络计算结果: {}'.format(y_test))
print('g的值:{}'.format(g(x_test,y_test)))
#根据理论,计算参考答案
def argmax_g(x):
    x0,x1,x2 = x[:,0] ** 0,x[:,1] ** 1,x[:,2] ** 2
    return 0.5 * (x0 + x1 + x2)[:, None]
yref_test = argmax_g(x_test)
print('理论最优值:{}'.format(yref_test))
print('g的值:{}'.format(g(x_test,yref_test)))
测试输入:tensor([[ 0.1865,  1.4210,  1.1290],
        [-0.2137,  0.1621,  0.9952]])
人工神经网络计算结果: tensor([[1.9692],
        [1.0804]], grad_fn=<AddmmBackward>)
g的值:tensor([1.5885, 0.9977], grad_fn=<SubBackward0>)
理论最优值:tensor([[1.8479],
        [1.0762]])
g的值:tensor([1.6032, 0.9977])

 

可以断定,我们的神经网络 已经正确地 输出了最优结果 

 

 由于 验证代码的输入是随机确定的。所以每次运行的输入和输出都不一样

 

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!