torch笔记六|Pytorch搭建一个简单的与运算神经网络

1.任务目标

“与”运算&＃xff0c;即and运算&＃xff1a;输入两个数字&＃xff0c;如果两数均为真值1&＃xff0c;输出才为1&＃xff0c;其他情况均输出0。使用pytorch搭建了一个简单的与运算神经网络&＃xff0c;熟悉一下搭建网络的大体流程。

2.设计步骤

&＃xff08;1&＃xff09;导入需要的库

第一个导入torch包。导入numpy包&＃xff0c;创建矩阵作为输入&＃xff0c;并用np代替numpy&＃xff0c;减少字母方便接下来编写代码。最后导入torch中的nn&＃xff0c;并用nn替代。nn是神经网络&＃xff08;neural network&＃xff09;的缩写&＃xff0c;是专门用来搭建网络的一个包。

# 1.导入需要的库
import torch #导入torch包
import numpy as np # 用np代替numpy
import torch.nn as nn # 用nn代替torch包里的nn


&＃xff08;2&＃xff09;构建输入集和理想输出集

使用numpy创建矩阵作为输入&＃xff0c;包含&＃xff08;0&＃xff0c;0&＃xff09;&＃xff0c;&＃xff08;0&＃xff0c;1&＃xff09;&＃xff0c;&＃xff08;1&＃xff0c;0&＃xff09;&＃xff0c;&＃xff08;1&＃xff0c;1&＃xff09;的4种情况。并用同样的方法构建与输入对应的理想输出集0&＃xff0c;0&＃xff0c;0&＃xff0c;1。

注意&＃xff1a;一定要把numpy创建的数据转换成pytorch框架需要的tensor变量。在深度学习里&＃xff0c;Tensor&＃xff08;张量&＃xff09;实际上就是一个多维数组&＃xff0c;Tensor的目的是能够创造更高维度的矩阵、向量。

# 2.构建输入集和理想输出集 # 构建输入集
x &＃61; np.mat(&＃39;0 0;&＃39; &＃39;0 1;&＃39; &＃39;1 0;&＃39; &＃39;1 1&＃39;) # mat可以从字符串或列表中生成数组
x &＃61; torch.tensor(x).float() # 把输入转换成浮点型的tensor变量 # 构建对应的理想输出集
y &＃61; np.mat(&＃39;0;&＃39; &＃39;0;&＃39; &＃39;0;&＃39; &＃39;1&＃39;) # 创建与输入集对应的理想输出集
y &＃61; torch.tensor(y).float() # 把理想输出转换成浮点型的tensor变量


&＃xff08;3&＃xff09;搭建网络

使用nn包中的Sequential函数搭建网络。
输入层&＃xff1a;要输入两个数字&＃xff0c;所以设置2个输入节点。问题比较简单&＃xff0c;隐藏层设置8个节点就够啦。 Linear&＃xff08;2&＃xff0c;8&＃xff09;是生成具有2个输入节点&＃xff0c;8个输出节点的输入层。
隐藏层1&＃xff1a;ReLU&＃xff08;&＃xff09;就是一个激活函数层&＃xff0c;线性整流函数&＃xff08; ReLU&＃xff09;通常意义下指代数学中的斜坡函数&＃xff0c;即 f(x)&＃61;max(0,x) 。
隐藏层2&＃xff1a;Linear(8, 1)是有8个输入节点&＃xff0c;1个输出节点的线性层&＃xff0c;回收数据便于输出的作用。
输出层&＃xff1a;Sigmoid函数是一个常见的S型函数&＃xff0c;也称为S型生长曲线&＃xff0c;取值范围为(0,1)&＃xff0c;它可以将一个实数映射到(0,1)的区间&＃xff0c;可以用来做二分类。

# 3.搭建网络 # 使用nn包中的Sequential函数搭建网络
my_Net &＃61; nn.Sequential(nn.Linear(2, 8), # 输入层 nn.ReLU(), # 激活函数层 nn.Linear(8, 1), # 线性 nn.Sigmoid()) # 输出层
print(myNet)


&＃xff08;4&＃xff09;设置优化器

传入网络参数&＃xff08;myNet.paramets&＃xff09;和学习率&＃xff08;lr&＃xff09;&＃xff0c;采用SGD方法训练优化。

# 4.设置优化器
# 传入网络参数和学习率&＃xff0c;采用SGD方法训练
optimzer &＃61; torch.optim.SGD(myNet.parameters(), lr&＃61;0.05)


&＃xff08;5&＃xff09;设置代价函数

# 5.设置代价函数
# 使用MSE均方误差代价函数&＃xff0c;设置代价函数
loss_func &＃61; nn.MSELoss()


&＃xff08;6&＃xff09;训练网络

设置一个3000次的循环&＃xff0c;迭代训练我们搭建的网络。
首先将数据x扔给网络my_Net得到计算结果&＃xff0c;将计算结果与理想输出做比较求出误差&＃xff0c;清除上一次计算得到的梯度&＃xff0c;让误差反向传播&＃xff0c;启动我们设计的优化器&＃xff0c;不断优化更新神经元的参数&＃xff0c;不断降低梯度&＃xff0c;使得误差最小。

# 6.训练网络 # 设置一个3000次的循环
for epoch in range(3000): out &＃61; my_Net(x) loss &＃61; loss_func(out, y) # 计算误差 optimzer.zero_grad() # 清除上一次的梯度 loss.backward() # 让误差反向传播 optimzer.step() # 让优化器工作


&＃xff08;7&＃xff09;测试结果

将输入和实际输出显示在屏幕。.data的意思就是只输出tensor中的数据&＃xff0c;并不显示tensor中的其它参数。

print("input is\n %s" % x)
print("output is\n %s" % myNet(x).data)


3.运行结果

由上图运行结果可以看出&＃xff0c;输出的结果与理想的输出基本一致&＃xff0c;训练的网络具有不错的效果。

完整代码附下&＃xff1a;

# 1.导入需要的库
import torch #引入torch包
import numpy as np # 用np代替numpy
import torch.nn as nn # 用nn代替torch包里的nn# 2.构建输入集和理想输出集 # 构建输入集
x &＃61; np.mat(&＃39;0 0;&＃39; &＃39;0 1;&＃39; &＃39;1 0;&＃39; &＃39;1 1&＃39;)
x &＃61; torch.tensor(x).float() # 把输入转换成浮# 构建对应的理想输出集
y &＃61; np.mat(&＃39;0;&＃39; &＃39;0;&＃39; &＃39;0;&＃39; &＃39;1&＃39;) # 创建与输入
y &＃61; torch.tensor(y).float() # 把理想输出# 3.搭建网络 # 使用nn包中的Sequential函数搭建网络
myNet &＃61; nn.Sequential(nn.Linear(2, 8), nn.ReLU(), nn.Linear(8, 1), nn.Sigmoid())
print(myNet) # 4.设置优化器 # 传入网络参数和学习率&＃xff0c;采用SGD方法训练
optimzer &＃61; torch.optim.SGD(myNet.parameters(), lr&＃61;0.05&＃xff09;# 使用MSE均方误差代价函数&＃xff0c;设置代价函数
loss_func &＃61; nn.MSELoss() # 5.训练网络 # 设置一个3000次的循环
for epoch in range(3000): out &＃61; myNet(x) loss &＃61; loss_func(out, y) # 计算误差 optimzer.zero_grad() # 清除上一次的梯度 loss.backward() # 让误差反向传播 optimzer.step() # 让优化器工作 # 6.测试 print("input is\n %s" % x)
print("output is\n %s" % myNet(x).data)