diff --git a/docs/1.7/15.md b/docs/1.7/15.md index 50fb29a1fd7ba42f2e5c0ed2f34e5fe1b3208a04..bb1906d1afe78fc654d1f9f50f7070da3735f358 100644 --- a/docs/1.7/15.md +++ b/docs/1.7/15.md @@ -2,7 +2,7 @@ > 原文： -为了展示 PyTorch 动态图的强大功能，我们将实现一个非常奇怪的模型：一个三阶多项式，在每个正向传播中选择 3 到 5 之间的一个随机数，并使用该数量的阶次，多次使用相同的权重重复计算四和五阶。 +为了展示 PyTorch 动态图的强大功能，我们将实现一个非常奇怪的模型：一个从三到五阶（动态变化）的多项式，在每次正向传递中选择一个 3 到 5 之间的一个随机数，并将这个随机数作为阶数，第四和第五阶共用同一个权重来多次重复计算。 ```py import random diff --git a/docs/1.7/16.md b/docs/1.7/16.md index e6867d854f23fea79df5d38a5cbee9c1dd7c8a26..4df1ad6e21ff9512d71be0121edb1e21729604d4 100644 --- a/docs/1.7/16.md +++ b/docs/1.7/16.md @@ -58,7 +58,7 @@ print(x_train.shape) ![../_img/sphx_glr_nn_tutorial_001.png](img/7c783def0bbe536f41ed172041b7e89e.png) -出： +输出如下： ```py (50000, 784) @@ -81,7 +81,7 @@ print(y_train.min(), y_train.max()) ``` -出： +输出如下： ```py tensor([[0., 0., 0., ..., 0., 0., 0.], @@ -140,7 +140,7 @@ print(preds[0], preds.shape) ``` -出： +输出如下： ```py tensor([-2.5964, -2.3153, -2.1321, -2.4480, -2.2930, -1.9507, -2.1289, -2.4175, @@ -168,7 +168,7 @@ print(loss_func(preds, yb)) ``` -出： +输出如下： ```py tensor(2.3735, grad_fn=) @@ -191,7 +191,7 @@ print(accuracy(preds, yb)) ``` -出： +输出如下： ```py tensor(0.0938) @@ -238,7 +238,7 @@ for epoch in range(epochs): ``` -就是这样：我们完全从头开始创建并训练了一个最小的神经网络（在这种情况下，是逻辑回归，因为我们没有隐藏的层）！ +就是这样：我们完全从头开始创建并训练了一个最小的神经网络（在这种情况下，是逻辑回归，因为我们没有隐藏层）！ 让我们检查损失和准确率，并将其与我们之前获得的进行比较。 我们希望损失会减少，准确率会增加，而且确实如此。 @@ -247,7 +247,7 @@ print(loss_func(model(xb), yb), accuracy(model(xb), yb)) ``` -出： +输出如下： ```py tensor(0.0811, grad_fn=) tensor(1.) @@ -256,9 +256,9 @@ tensor(0.0811, grad_fn=) tensor(1.) ## 使用`torch.nn.functional` -现在，我们将重构代码，使其执行与以前相同的操作，只是我们将开始利用 PyTorch 的`nn`类使其更加简洁和灵活。 从这里开始的每一步，我们都应该使代码中的一个或多个：更短，更易理解和/或更灵活。 +现在，我们将重构代码，使其执行与以前相同的操作，只是我们将开始利用 PyTorch 的`nn`类使其更加简洁和灵活。 从这里开始的每一步，应该使我们的代码占一个或多个特点：更简洁、更易理解、和/或更灵活。 -第一步也是最简单的步骤，就是用`torch.nn.functional`（通常按照惯例将其导入到名称空间`F`中）替换我们的手写激活和损失函数，从而缩短代码长度。 该模块包含`torch.nn`库中的所有函数（而该库的其他部分包含类）。 除了广泛的损失和激活函数外，您还会在这里找到一些方便的函数来创建神经网络，例如合并函数。 （还有一些用于进行卷积，线性层等的函数，但是正如我们将看到的那样，通常可以使用库的其他部分来更好地处理这些函数。） +第一步也是最简单的步骤，就是用`torch.nn.functional`（通常按照惯例将其导入到名称空间`F`中）替换我们的手写激活和损失函数，从而缩短代码长度。 该模块包含`torch.nn`库中的所有函数（而该库的其他部分包含类）。 除了广泛的损失和激活函数外，您还会在这里找到一些方便的函数来创建神经网络，例如池化函数。 （还有一些用于进行卷积，线性层等的函数，但是正如我们将看到的那样，通常可以使用库的其他部分来更好地处理这些函数。） 如果您使用的是负对数似然损失和对数 softmax 激活，那么 Pytorch 会提供结合了两者的单一函数`F.cross_entropy`。 因此，我们甚至可以从模型中删除激活函数。 @@ -279,7 +279,7 @@ print(loss_func(model(xb), yb), accuracy(model(xb), yb)) ``` -出： +输出如下： ```py tensor(0.0811, grad_fn=) tensor(1.) @@ -322,7 +322,7 @@ print(loss_func(model(xb), yb)) ``` -出： +输出如下： ```py tensor(2.3903, grad_fn=) @@ -379,7 +379,7 @@ print(loss_func(model(xb), yb)) ``` -出： +输出如下： ```py tensor(0.0808, grad_fn=) @@ -409,7 +409,7 @@ print(loss_func(model(xb), yb)) ``` -出： +输出如下： ```py tensor(2.4215, grad_fn=) @@ -425,7 +425,7 @@ print(loss_func(model(xb), yb)) ``` -出： +输出如下： ```py tensor(0.0824, grad_fn=) @@ -487,7 +487,7 @@ print(loss_func(model(xb), yb)) ``` -出： +输出如下： ```py tensor(2.2999, grad_fn=) @@ -545,7 +545,7 @@ print(loss_func(model(xb), yb)) ``` -出： +输出如下： ```py tensor(0.0819, grad_fn=) @@ -597,7 +597,7 @@ print(loss_func(model(xb), yb)) ``` -出： +输出如下： ```py tensor(0.0821, grad_fn=) @@ -648,7 +648,7 @@ for epoch in range(epochs): ``` -出： +输出如下： ```py 0 tensor(0.3743) @@ -717,7 +717,7 @@ fit(epochs, model, loss_func, opt, train_dl, valid_dl) ``` -出： +输出如下： ```py 0 0.3120644524335861 @@ -763,7 +763,7 @@ fit(epochs, model, loss_func, opt, train_dl, valid_dl) ``` -出： +输出如下： ```py 0 0.32337012240886687 @@ -812,7 +812,7 @@ fit(epochs, model, loss_func, opt, train_dl, valid_dl) ``` -出： +输出如下： ```py 0 0.30119081069231035 @@ -879,7 +879,7 @@ fit(epochs, model, loss_func, opt, train_dl, valid_dl) ``` -出： +输出如下： ```py 0 0.327303307390213 @@ -896,7 +896,7 @@ print(torch.cuda.is_available()) ``` -出： +输出如下： ```py True @@ -938,7 +938,7 @@ fit(epochs, model, loss_func, opt, train_dl, valid_dl) ``` -出： +输出如下： ```py 0 0.1833980613708496