站长资源脚本专栏
用pytorch的nn.Module构造简单全链接层实例
简介python版本3.7，用的是虚拟环境安装的pytorch，这样随便折腾，不怕影响其他的python框架1、先定义一个类Linear，继承nn.Module import torch as tfrom torch import nnfrom torch.autograd import Vari
python版本3.7，用的是虚拟环境安装的pytorch，这样随便折腾，不怕影响其他的python框架
1、先定义一个类Linear，继承nn.Module
import torch as t
from torch import nn
from torch.autograd import Variable as V
class Linear(nn.Module):
'''因为Variable自动求导，所以不需要实现backward()'''
def __init__(self, in_features, out_features):
super().__init__()
self.w = nn.Parameter( t.randn( in_features, out_features ) ) #权重w 注意Parameter是一个特殊的Variable
self.b = nn.Parameter( t.randn( out_features ) ) #偏值b
def forward( self, x ): #参数 x 是一个Variable对象
x = x.mm( self.w )
return x + self.b.expand_as( x ) #让b的形状符合 输出的x的形状
2、验证一下
layer = Linear( 4,3 ) input = V ( t.randn( 2 ,4 ) )#包装一个Variable作为输入 out = layer( input ) out
#成功运行，结果如下：
tensor([[-2.1934, 2.5590, 4.0233], [ 1.1098, -3.8182, 0.1848]], grad_fn=<AddBackward0>)
下面利用Linear构造一个多层网络
class Perceptron( nn.Module ):
def __init__( self,in_features, hidden_features, out_features ):
super().__init__()
self.layer1 = Linear( in_features , hidden_features )
self.layer2 = Linear( hidden_features, out_features )
def forward ( self ,x ):
x = self.layer1( x )
x = t.sigmoid( x ) #用sigmoid()激活函数
return self.layer2( x )
测试一下
perceptron = Perceptron ( 5,3 ,1 ) for name,param in perceptron.named_parameters(): print( name, param.size() )
输出如预期：
layer1.w torch.Size([5, 3]) layer1.b torch.Size([3]) layer2.w torch.Size([3, 1]) layer2.b torch.Size([1])
以上这篇用pytorch的nn.Module构造简单全链接层实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。