河南做网站企起,河南网站建设yipinpai,建筑工程网上超市,网络广告的类型文章目录 1. nn.Module2. nn.functional2.1 基本用法2.2 常用函数 3. nn.Module 与 nn.functional3.1 主要区别3.2 具体样例#xff1a;nn.ReLU() 与 F.relu() 参考资料 1. nn.Module
在PyTorch中#xff0c;nn.Module 类扮演着核心角色#xff0c;它是构建任何自定义神经网… 文章目录 1. nn.Module2. nn.functional2.1 基本用法2.2 常用函数 3. nn.Module 与 nn.functional3.1 主要区别3.2 具体样例nn.ReLU() 与 F.relu() 参考资料 1. nn.Module
在PyTorch中nn.Module 类扮演着核心角色它是构建任何自定义神经网络层、复杂模块或完整神经网络架构的基础构建块。通过继承 nn.Module 并在其子类中定义模型结构和前向传播逻辑forward() 方法开发者能够方便地搭建并训练深度学习模型。
关于 nn.Module 的更多介绍可以参考博客PyTorch之nn.Module、nn.Sequential、nn.ModuleList使用详解
这里我们基于nn.Module创建一个简单的神经网络模型实现代码如下
import torch
import torch.nn as nnclass MyModel(nn.Module):def __init__(self, input_size, hidden_size, output_size):super(MyModel, self).__init__()self.layer1 nn.Linear(input_size, hidden_size)self.layer2 nn.Linear(hidden_size, output_size)def forward(self, x):x torch.relu(self.layer1(x))x self.layer2(x)return x2. nn.functional
nn.functional 是PyTorch中一个重要的模块它包含了许多用于构建神经网络的函数。与 nn.Module 不同nn.functional 中的函数不具有可学习的参数。这些函数通常用于执行各种非线性操作、损失函数、激活函数等。
2.1 基本用法
如何在神经网络中使用nn.functional
在PyTorch中你可以轻松地在神经网络中使用 nn.functional 函数。通常你只需将输入数据传递给这些函数并将它们作为网络的一部分。
以下是一个简单的示例演示如何在一个全连接神经网络中使用ReLU激活函数
import torch.nn as nn
import torch.nn.functional as Fclass MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()self.fc1 nn.Linear(64, 128)self.fc2 nn.Linear(128, 10)def forward(self, x):x F.relu(self.fc1(x))x self.fc2(x)return x在上述示例中我们首先导入nn.functional 模块然后在网络的forward 方法中使用F.relu 函数作为激活函数。 nn.functional 的主要优势是它的计算效率和灵活性因为它允许你以函数的方式直接调用这些操作而不需要创建额外的层。 2.2 常用函数
1激活函数
激活函数是神经网络中的关键组件它们引入非线性性使网络能够拟合复杂的数据。以下是一些常见的激活函数
ReLURectified Linear Unit ReLU是一种简单而有效的激活函数它将输入值小于零的部分设为零大于零的部分保持不变。它的数学表达式如下
output F.relu(input)Sigmoid Sigmoid函数将输入值映射到0和1之间常用于二分类问题的输出层。它的数学表达式如下
output F.sigmoid(input)Tanh双曲正切 Tanh函数将输入值映射到-1和1之间它具有零中心化的特性通常在循环神经网络中使用。它的数学表达式如下
output F.tanh(input)2损失函数
损失函数用于度量模型的预测与真实标签之间的差距。PyTorch的nn.functional 模块包含了各种常用的损失函数例如
交叉熵损失Cross-Entropy Loss 交叉熵损失通常用于多分类问题计算模型的预测分布与真实分布之间的差异。它的数学表达式如下
loss F.cross_entropy(input, target)均方误差损失Mean Squared Error Loss 均方误差损失通常用于回归问题度量模型的预测值与真实值之间的平方差。它的数学表达式如下
loss F.mse_loss(input, target)L1 损失 L1损失度量预测值与真实值之间的绝对差距通常用于稀疏性正则化。它的数学表达式如下
loss F.l1_loss(input, target)3非线性操作
nn.functional 模块还包含了许多非线性操作如池化、归一化等。
最大池化Max Pooling 最大池化是一种用于减小特征图尺寸的操作通常用于卷积神经网络中。它的数学表达式如下
output F.max_pool2d(input, kernel_size)批量归一化Batch Normalization 批量归一化是一种用于提高训练稳定性和加速收敛的技术。它的数学表达式如下
output F.batch_norm(input, mean, std, weight, bias)3. nn.Module 与 nn.functional
3.1 主要区别
nn.Module 与 nn.functional 的主要区别在于
nn.Module实现的layers是一个特殊的类都是由class Layer(nn.Module)定义会自动提取可学习的参数nn.functional中的函数更像是纯函数由def function(input)定义。
注意
如果模型有可学习的参数时最好使用nn.Module。激活函数ReLU、sigmoid、Tanh)、池化(MaxPool)等层没有可学习的参数,可以使用对应的functional函数。卷积、全连接等有可学习参数的网络建议使用nn.Module。dropout没有可学习参数但建议使用nn.Dropout而不是nn.functional.dropout。
3.2 具体样例nn.ReLU() 与 F.relu()
nn.ReLU()
import torch.nn as nnnn.ReLU()F.relu()
import torch.nn.functional as Fout F.relu(input)其实这两种方法都是使用relu激活只是使用的场景不一样F.relu()是函数调用一般使用在foreward函数里。而nn.ReLU()是模块调用一般在定义网络层的时候使用。
当用print(net)输出时nn.ReLU()会有对应的层而F.ReLU()是没有输出的。
import torch.nn as nn
import torch.nn.functional as Fclass NET1(nn.Module):def __init__(self):super(NET1, self).__init__()self.conv nn.Conv2d(3, 16, 3, 1, 1)self.bn nn.BatchNorm2d(16)self.relu nn.ReLU() # 模块的激活函数def forward(self, x):out self.conv(x)x self.bn(x)out self.relu()return outclass NET2(nn.Module):def __init__(self):super(NET2, self).__init__()self.conv nn.Conv2d(3, 16, 3, 1, 1)self.bn nn.BatchNorm2d(16)def forward(self, x):x self.conv(x)x self.bn(x)out F.relu(x) # 函数的激活函数return outnet1 NET1()
net2 NET2()
print(net1)
print(net2)参考资料
PyTorch的nn.Module类的详细介绍PyTorch nn.functional 模块详解探索神经网络的魔法工具箱pytorchF.relu() 与 nn.ReLU() 的区别
