Pytorch の核心であるモデルの定義と構築を突破しましょう! ！ ！

こんにちは、Xiaozhuangです！

今日はモデルの定義と構築についてお話ししましょう。初心者に最適です!

ディープラーニングに PyTorch を使用する場合、まずモデルを定義して構築する方法を理解する必要があります。この内容は非常に重要です。

PyTorch では、モデル定義は通常、torch.nn.Module から継承するクラスを作成することによって行われます。

以下は、完全に接続された 1 つの層を持つ単純なニューラル ネットワークを定義する方法の簡単な例です。

 import torch import torch.nn as nn class SimpleNN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(SimpleNN, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, output_size) def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x

次に、この例を段階的に説明しましょう。

1. 必要なライブラリをインポートする

import torch import torch.nn as nn

ここで、PyTorch ライブラリとニューラル ネットワーク モジュールがインポートされます。

2. モデルクラスを定義する

class SimpleNN(nn.Module):

nn.Module から継承するクラスを作成します。このクラスは、ニューラル ネットワーク モデルの青写真として機能します。

3. 初期化関数

def __init__(self, input_size, hidden_size, output_size): super(SimpleNN, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, output_size)

__init__ 関数では、モデルのさまざまなレイヤーを定義します。

この単純なニューラル ネットワークには、入力層 (input_size ディメンション)、隠し層 (hidden_​​size ディメンション)、および出力層 (output_size ディメンション) が含まれています。

nn.Linear は完全接続層を表し、nn.ReLU は活性化関数 ReLU を表します。

4. フォワードプロパゲーション機能

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

forward 関数では、モデル内でデータがどのように伝播されるかを定義します。

ここでの伝播順序は、入力データが最初の完全接続層を通過し、次に ReLU 活性化関数を通過し、最後に 2 番目の完全接続層を通過してモデルの出力が得られるというものです。

この簡単な例を使用して、モデルを作成し、データを入力し、次の手順でフォワード パスを実行できます。

 # 定义输入、隐藏和输出层的维度input_size = 10 hidden_size = 20 output_size = 5 # 创建模型实例model = SimpleNN(input_size, hidden_size, output_size) # 随机生成输入数据input_data = torch.randn(32, input_size) # 32是批处理大小# 进行前向传播output = model(input_data) print(output)

これは単純なケースです。同様に、PyTorch は畳み込みニューラル ネットワーク (CNN)、再帰型ニューラル ネットワーク (RNN) など、より複雑なモデルを構築できます。