如何進行torchkeras的原理分析

發(fā)布時間：2021-12-10 10:50:54 來源：億速云閱讀：175 作者：柒染欄目：大數(shù)據(jù)

如何進行torchkeras的原理分析，針對這個問題，這篇文章詳細介紹了相對應(yīng)的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

torchkeras 是在pytorch上實現(xiàn)的仿keras的高層次Model接口。有了它，你可以像Keras那樣，對pytorch構(gòu)建的模型進行summary，compile，fit，evaluate , predict五連擊。一切都像行云流水般自然。

聽起來，torchkeras的功能非常強大。但實際上，它的實現(xiàn)非常簡單，全部源代碼不足300行。如果你想理解它實現(xiàn)原理的一些細節(jié)，或者修改它的功能，不要猶豫閱讀和修改項目源碼。

安裝它僅需要運行：

pip install torchkeras

公眾號后臺回復(fù)關(guān)鍵詞：torchkeras。獲取項目git源代碼和本文全部源碼！

下面是一個使用torchkeras來訓(xùn)練模型的完整范例。我們設(shè)計了一個3層的神經(jīng)網(wǎng)絡(luò)來解決一個正負樣本按照同心圓分布的分類問題。

import numpy as np 
import pandas as pd 
from matplotlib import pyplot as plt
import torch
from torch import nn
import torch.nn.functional as F
from torch.utils.data import Dataset,DataLoader,TensorDataset

from torchkeras import Model,summary #Attention this line!

一，準(zhǔn)備數(shù)據(jù)

構(gòu)造按照同心圓分布的正負樣本數(shù)據(jù)。

%matplotlib inline
%config InlineBackend.figure_format = 'svg'

#number of samples
n_positive,n_negative = 2000,2000

#positive samples
r_p = 5.0 + torch.normal(0.0,1.0,size = [n_positive,1]) 
theta_p = 2*np.pi*torch.rand([n_positive,1])
Xp = torch.cat([r_p*torch.cos(theta_p),r_p*torch.sin(theta_p)],axis = 1)
Yp = torch.ones_like(r_p)

#negative samples
r_n = 8.0 + torch.normal(0.0,1.0,size = [n_negative,1]) 
theta_n = 2*np.pi*torch.rand([n_negative,1])
Xn = torch.cat([r_n*torch.cos(theta_n),r_n*torch.sin(theta_n)],axis = 1)
Yn = torch.zeros_like(r_n)

#concat positive and negative samples
X = torch.cat([Xp,Xn],axis = 0)
Y = torch.cat([Yp,Yn],axis = 0)


#visual samples
plt.figure(figsize = (6,6))
plt.scatter(Xp[:,0],Xp[:,1],c = "r")
plt.scatter(Xn[:,0],Xn[:,1],c = "g")
plt.legend(["positive","negative"]);

如何進行torchkeras的原理分析

# split samples into train and valid data.
ds = TensorDataset(X,Y)
ds_train,ds_valid = torch.utils.data.random_split(ds,[int(len(ds)*0.7),len(ds)-int(len(ds)*0.7)])
dl_train = DataLoader(ds_train,batch_size = 100,shuffle=True,num_workers=2)
dl_valid = DataLoader(ds_valid,batch_size = 100,num_workers=2)

二，構(gòu)建模型

我們通過對torchkeras.Model進行子類化來構(gòu)建模型，而不是對torch.nn.Module的子類化來構(gòu)建模型。實際上 torchkeras.Model是torch.nn.Moduled的子類。

class DNNModel(Model):  ### Attention here
    def __init__(self):
        super(DNNModel, self).__init__()
        self.fc1 = nn.Linear(2,4)
        self.fc2 = nn.Linear(4,8) 
        self.fc3 = nn.Linear(8,1)
        
    def forward(self,x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        y = nn.Sigmoid()(self.fc3(x))
        return y
        
model = DNNModel()
model.summary(input_shape =(2,))

如何進行torchkeras的原理分析

三，訓(xùn)練模型

我們需要先用compile將損失函數(shù)，優(yōu)化器以及評估指標(biāo)和模型綁定。然后就可以用fit方法進行模型訓(xùn)練了。

關(guān)于如何進行torchkeras的原理分析問題的解答就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關(guān)注億速云行業(yè)資訊頻道了解更多相關(guān)知識。

向AI問一下細節(jié)

如何進行torchkeras的原理分析

一，準(zhǔn)備數(shù)據(jù)

二，構(gòu)建模型

三，訓(xùn)練模型

猜你喜歡

最新資訊

相關(guān)推薦

相關(guān)標(biāo)簽

一，準(zhǔn)備數(shù)據(jù)

二，構(gòu)建模型

三，訓(xùn)練模型