Pytorch学习第二周--Day 12-13: 构建你的第一个神经网络

Day 12-13: 构建你的第一个神经网络

在这两天里,我动手实践构建了我的第一个神经网络,目的是解决一个基本的分类问题。使用了两个主流的深度学习框架:PyTorch和TensorFlow,以对比和理解它们在神经网络构建方面的不同。

目标:构建一个全连接的神经网络来处理分类问题。

过程:

设计网络结构,包括输入层、若干隐藏层和输出层。

选择合适的激活函数,如ReLU。

定义损失函数和优化器,例如使用交叉熵损失和Adam优化器。

实现:

在PyTorch中,我定义了一个nn.Module类,通过定义forward方法来实现数据的前向传播。

在TensorFlow中,我使用Sequential API来构建模型,这是一种更简洁、更高级的方法。

以下是具体的实现代码:

PyTorch代码示例

import torch

import torch.nn as nn

import torch.optim as optim

定义一个全连接神经网络

class FullyConnectedNN(nn.Module):

def init (self):

super(FullyConnectedNN, self).init ()

self.fc1 = nn.Linear(784, 128) # 假设输入是28x28图像,展平后的大小为784

self.relu = nn.ReLU()

self.fc2 = nn.Linear(128, 10) # 假设有10个类别

复制代码
def forward(self, x):
    x = self.fc1(x)
    x = self.relu(x)
    x = self.fc2(x)
    return x

实例化模型

model = FullyConnectedNN()

定义损失函数和优化器

criterion = nn.CrossEntropyLoss()

optimizer = optim.Adam(model.parameters(), lr=0.001)

TensorFlow代码示例

import tensorflow as tf

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense

定义一个全连接神经网络

model = Sequential([

Dense(128, activation='relu', input_shape=(784,)), # 假设输入是28x28图像,展平后的大小为784

Dense(10, activation='softmax') # 假设有10个类别

])

编译模型

model.compile(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

在这两个实现中,我专注于构建一个相对简单的神经网络,适用于处理基本的分类问题。通过这个练习,我加深了对神经网络结构和深度学习框架的理解,并获得了实际操作的经验。

相关推荐
oe10199 分钟前
实测Triton-Copilot:AI如何助力高性能算子开发
人工智能·pytorch·copilot·vibecoding·flagos
小猪写代码20 分钟前
服务器相关:什么是 alios. centos. cuda. cuda tookit. gcc. cudann. pytorch.
服务器·pytorch·centos
光影少年7 小时前
angular生态及学习路线
前端·学习·angular.js
逆小舟10 小时前
【C/C++】指针
c语言·c++·笔记·学习
武文斌7711 小时前
项目学习总结:LVGL图形参数动态变化、开发板的GDB调试、sqlite3移植、MQTT协议、心跳包
linux·开发语言·网络·arm开发·数据库·嵌入式硬件·学习
递归不收敛11 小时前
吴恩达机器学习课程(PyTorch适配)学习笔记:1.3 特征工程与模型优化
pytorch·学习·机器学习
kunge1v512 小时前
学习爬虫第四天:多任务爬虫
爬虫·python·学习·beautifulsoup
大山同学12 小时前
CNN手写数字识别minist
人工智能·神经网络·cnn
哲Zheᗜe༘12 小时前
了解学习MySQL数据库基础
数据库·学习·mysql
peter676813 小时前
pandas学习小结
学习·pandas