使用Pytorch来编写神经网络具有很多优势，比起Tensorflow，我认为Pytorch更加简单，结构更加清晰。
希望通过实战几个Pytorch的例子，让大家熟悉Pytorch的使用方法，包括数据集创建，各种网络层结构的定义，以及前向传播与权重更新方式。
比如这里给出
很显然，这里我们只需要假定
这里我们只需要设置一个合适尺寸的全连接网络，根据不断迭代，求出最接近的参数即可。
但是这里需要思考一个问题，使用全连接网络结构是毫无疑问的，但是我们的输入与输出格式是什么样的呢？
只将一个x作为输入合理吗？显然是不合理的，因为每一个神经元其实模拟的是wx+b的计算过程，无法模拟幂运算，所以显然我们需要将x，x的平方，x的三次方，x的四次方组合成一个向量作为输入，假设有n个不同的x值，我们就可以将n个组合向量合在一起组成输入矩阵。
这一步代码如下：
def make_features(x): x = x.unsqueeze(1) return torch.cat([x ** i for i in range(1,4)] , 1)
我们需要生成一些随机数作为网络输入：
def get_batch(batch_size=32): random = torch.randn(batch_size) x = make_features(random) '''Compute the actual results''' y = f(x) if torch.cuda.is_available(): return Variable(x).cuda(), Variable(y).cuda() else: return Variable(x), Variable(y)
其中的f(x)定义如下：
w_target = torch.FloatTensor([0.5,3,2.4]).unsqueeze(1) b_target = torch.FloatTensor([0.9]) def f(x): return x.mm(w_target)+b_target[0]
接下来定义模型：
class poly_model(nn.Module): def __init__(self): super(poly_model, self).__init__() self.poly = nn.Linear(3,1) def forward(self, x): out = self.poly(x) return out
if torch.cuda.is_available(): model = poly_model().cuda() else: model = poly_model()
接下来我们定义损失函数和优化器：
criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr = 1e-3)
网络部件定义完后，开始训练：
epoch = 0 while True: batch_x,batch_y = get_batch() output = model(batch_x) loss = criterion(output,batch_y) print_loss = loss.data[0] optimizer.zero_grad() loss.backward() optimizer.step() epoch+=1 if print_loss < 1e-3: break
到此我们的所有代码就敲完了，接下来我们开始详细了解一下其中的一些代码。
在make_features()定义中，torch.cat是将计算出的向量拼接成矩阵。unsqueeze是作一个维度上的变化。
get_batch中，torch.randn是产生指定维度的随机数，如果你的机器支持GPU加速，可以将Variable放在GPU上进行运算，类似语句含义相通。
x.mm是作矩阵乘法。
模型定义是重中之重，其实当你掌握Pytorch之后，你会发现模型定义是十分简单的，各种基本的层结构都已经为你封装好了。所有的层结构和损失函数都来自torch.nn，所有的模型构建都是从这个基类 nn.Module继承的。模型定义中，__init__与forward是有模板的，大家可以自己体会。
nn.Linear是做一个线性的运算，参数的含义代表了输入层与输出层的结构，即3*1；在训练阶段，有几行是Pytorch不同于别的框架的，首先loss是一个Variable，通过loss.data可以取出一个Tensor，再通过data[0]可以得到一个int或者float类型的值，我们才可以进行基本运算或者显示。每次计算梯度之前，都需要将梯度归零，否则梯度会叠加。个人觉得别的语句还是比较好懂的，如果有疑问可以在下方评论。
下面是我们的拟合结果
其实效果肯定会很好，因为只是一个非常简单的全连接网络，希望大家通过这个小例子可以学到Pytorch的一些基本操作。往后我们会继续更新，完整代码请戳，https://github.com/ZhichaoDuan/PytorchCourse
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
《魔兽世界》大逃杀！60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容，新游玩模式《强袭风暴》即将于3月21 日在亚服上线，届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕，并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时，他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中，玩家将会进入一个全新的海盗主题大逃杀式限时活动，其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场，作为一个独立于主游戏之外的活动，玩家可以用大逃杀的风格来体验《魔兽世界》，不分职业、不分装备（除了你在赛局中捡到的），光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式，玩家在加入海盗主题的预赛大厅区域前，可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹，《巨龙崛起》和《魔兽世界：巫妖王之怒 经典版》的玩家都可以获得奖励。