在PyTorch建立模型，主要是NN模块。

nn.Linear

nn.Linear是创建一个线性层。这里需要将输入和输出维度作为参数传递。

linear = nn.Linear(10, 2) example_input = torch.randn(3, 10) example_output = linear(example_input) example_output 

上面代码linear接受nx10的输入并返回nx2的输出。

print(example_input) print(example_output)  tensor([[ 1.1122, -0.1381,  0.5547, -0.3326, Py-0.5676,  0.2810, -0.5521, -0.8729,          -0.6627,  0.8729],         [ 1.9134,  0.2397, -0.8340,  1.1532, -1.6725,  0.6171, -0.0357, -1.6848,          -0.8454,  0.3876], &nbtosp;       [-0.0786, -0.1541, -0.8385, -0.1587, -0.0121,  1.4457, -0.0132,  1.5653,          -1.6954, -0.9350]]) # 输出如下 tensor([[-0.1249, -0.8002],         [-1.0945, -0.2297],       rc;  [-0.3558,  0.8439]], grad_fn=)  nn.Relu

nn.Relu对线性的给定输出执行 relu 激活函数操作。

relu = nn.ReLU()  relu_output = relu(example_output)  relu_output  # 输出如下 tensor([[0.0000, 0.0000],         [0.0000, 0.0000],         [0.0000, 0.8439]]h中, grad_fn=)  nn.BatchNorm1d

nn.BatchNorm1d是一种标准化技术，用于在不同批次的输入中保持一致的均值和标准偏差。

batchnorm = nn.BatchNorm1d(2)  batchnorm_output = batchnorm(relu_output)  batchnorm_output  # 输出如下 tensor([[ 0.0000, -0.7071],         [ 0.0000, -0.7071],        &nbs的Np;[ 0.0000,  1.4142]], grad_fn=)  nn.Sequential

nn.Sequential一次性创建一系列操作。和tensorflow中的Sequential完全一样。

mlp_layer = nn.Sequential(     nn.Linear(5, 2),     nn.BatchNorm1d(2),     nn.ReLU() ) test_example = torch.randn(5,5) + 1 print("input: ") print(test_exN模ample) print("output: ") print(mlp_layer(test_example))  # 输出如下 input:  tensor([[ 1.4617,  1.2446,  1.4919,  1.5978, -0.3410],         [-0.2819,  0.5567,  1.0113,  1.8053, -0.0833],         [ 0.2830, &块并nbsp;1.0857,  1.2258,  2.6602,  0.1339],         [ 0.8682,  0.9344,  1.3715,  0.0279,  1.8011],         [ 0.6172,  1.1414,  0.6030,  0.3876,  1.3653]]) output:  tensor([[0.0000, 0.0000],&nb实现sp;        [0.0000, 1.3722],         [0.0000, 0.8861],         [1.0895, 0.0000],         [1.3047, 0.0000]], grad_fn=) 

在上面的模型中缺少了优化器，我们无法得到对应损失。

import torch.optim as optim adam_opt = opti第一m.Adam(mlp_layer.parameters(), lr=1e-1) # 这里lr表示学习率，1e-1表示0.1 train_example = torch.randn(100,5) + 1 adam_opt.zero_grad() # 我们将使用1减去平均值，作为简单损失函数 cur_loss = torch.abs(1 - mlp_layer(train_example)).mean() cur_loss.backward() # 更新参数 adam_opt.step() print(cur_loss.data) # 输出如下 tensor(0.7467) 

虽然上面个神只是用了一个epoch，训练线性模型得到loss为0.7467，上面就是NN模型建立model的整个流程，

第一个神经网络模型

下面实现第一个分类神经网络，其中一个隐藏层用于开发单个输出单元。

首先，使用以下命令导入 PyTorch 库 -

import torch  import torch.nn as nn 

定义所有层和批量大小以开始执行神经网络，如下所示 -

n_in, n_h, n_out, batch_size = 10, 5, 1, 10 

由于神经网络包括输入数据的组合以获得相应的输出数据，我们将遵循以下相同的程序 -

x = torch.randn(batch_size, n_in) y = torch.tensor([[1经网.0], [0.0], [0.0],  [1.0], [1.0], [1.0], [0.0], [0.0], [1.0], [1.0]]) 

创建顺序模型。使用下面代码，创建一个顺序模型 -

model = nn.Sequential(nn.Linear(n_in, n_h),    nn.ReLU(),    nn.Linear(n_h, n_out),    nn.Sigmoid()) 

借助梯度下降优化器构建损失函数，如下所示 -

# 构造损失函数 criterion = torch.nn.MSELoss() 络模;# 构造优化器 optimizer = torch.optim.SGD(model.parameters(), lr = 0.01) 

使用给定代码行的迭代循环实现梯度下降模型 -

# 梯度下降 for epoch in range(50):    # 正向传递：通过将x传递给模型来计算预测的y    y_pred = model(x)     # 计算loss    loss = criterion(y_pred, y)    &nPybsp;# 梯度清0    optimizer.zero_grad()     # 反向传播，求解梯度    loss.backward()     # 更新模型参数    optimizer.step()    if epoch % 10 == 0:       print('epoch: ', epoch,' loss: ', loss.item()) 

输出如to下

epoch:  0  loss:  0.2508794665336609 epoch:  10  loss:  0.24847669899463654 epoch:  20  loss:  0.24615907669067383 epoch:  30  loss:  0.24392127990722656 epoch:  40  loss:  0.24175791442394257