下载安卓APP箭头
箭头给我发消息

客服QQ:3315713922

编程语言深度学习 pytorch实战

作者:leo的学习之旅     来源: 今日头条点击数:1272发布时间: 2020-02-17 13:52:41

标签: 编程语言PythonPython教程

大神带你学编程,欢迎选课

深度学习 pytorch实战 神经网络关系拟合。高级语言的出现使得计算机程序设计语言不再过度地依赖某种特定的机器或环境。这是因为高级语言在不同的平台上会被编译成不同的机器语言,而不是直接被机器执行。最早出现的编程语言之一FORTRAN的一个主要目标,就是实现平台独立。

Pytorch是最近兴起的新的深度学习框架,不同于tensorflow的先构建计算图再进行运算,它是动态构建计算图,因此更为通俗易懂。

本文主要使用Pytorch来完成对三次函数的拟合任务,并比较集中不同的激活函数对预测结果的影响。

手动构造的三次函数如下(为了模拟真实场景,函数中加入了一些随机噪声)

编程语言深度学习 pytorch实战 _编程语言_ Python_ Python教程_课课家x^3-x^2

在Pytorch中,为了完成模型的搭建,我们需要创建一个继承torch.nn.Module的类,类中我们需要实现forward函数和init函数。

代码如下:

import torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as pltx = torch.unsqueeze(torch.linspace(-1, 1, 300), dim=1)  y = x.pow(3) - x.pow(2) + 0.2*torch.rand(x.size())plt.scatter(x.data.numpy(), y.data.numpy())plt.show()class Net(torch.nn.Module):  # 继承 torch 的 Module        def __init__(self, n_feature, n_hidden1, n_hidden2, n_output):                super(Net, self).__init__()     # 继承 __init__ 功能        # 定义每层用什么样的形式                             self.hidden1 = torch.nn.Linear(n_feature, n_hidden1)   # 隐藏层线性输出                             self.hidden2 = torch.nn.Linear(n_hidden1, n_hidden2)  # 隐藏层线性输出                             self.predict = torch.nn.Linear(n_hidden2, n_output)   # 输出层线性输出                    def forward(self, x):   # 这同时也是 Module 中的 forward 功能               # 正向传播输入值, 神经网络分析出输出值                x = F.relu(self.hidden1(x))      # 激励函数(隐藏层的线性值)                x = F.relu(self.hidden2(x))  # 激励函数(隐藏层的线性值)                x = self.predict(x)             # 输出值        return x                net = Net(n_feature=1, n_hidden1=10, n_hidden2=10, n_output=1)#创建一个类的对象optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 传入 net 的所有参数, 创建一个SGD优化器loss_func = torch.nn.MSELoss()  # 定义损失函数plt.ion()  # 画图plt.show()for t in range(300):#总共进行300代的优化    prediction = net(x)  # 喂给 net 训练数据 x, 输出预测值        loss = loss_func(prediction, y)  # 计算两者的误差        optimizer.zero_grad()  # 清空上一步的残余更新参数值        loss.backward()  # 误差反向传播, 计算参数更新值        optimizer.step()  # 将参数更新值施加到 net 的 parameters 上    if t % 5 == 0:  #每5步更新一次图像        plt.cla()        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.numpy(), fontdict={'size': 20, 'color': 'red'})        plt.pause(0.1)

 

比较一下使用不同激活函数的拟合效果:

RELU函数

 

RELU

softplus函数:

 

softplus

tanh函数:

 

tanh

对比三个激活函数的拟合效果,我们可以发现,经过relu函数拟合的曲线带有明显的“棱角”,这也是有relu函数自身不可导的特性所致。但是这种棱角特性在加深网络后就变得不再明显。同时,relu函数也是预测结果最好的激活函数,这符合我们的预期。

在过去的几十年间,大量的编程语言被发明、被取代、被修改或组合在一起。尽管人们多次试图创造一种通用的程序设计语言,却没有一次尝试是成功的。之所以有那么多种不同的编程语言存在的原因是,编写程序的初衷其实也各不相同;新手与老手之间技术的差距非常大,而且有许多语言对新手来说太难学;还有,不同程序之间的运行成本(runtime cost)各不相同。

 

赞(10)
踩(0)
分享到:
华为认证网络工程师 HCIE直播课视频教程