Skip to content

P
pytorch-doc-zh

OpenDocCN / pytorch-doc-zh

通知 120
Star 3932
Fork 992
P
pytorch-doc-zh

前往新版Gitcode，体验更适合开发者的 AI 搜索 >>

提交 40bc5e2e 编写于 作者: Z zhangruiyuan
浏览文件
操作

一些表述问题

上级 0befd49b
隐藏空白更改
内联 并排
Showing with 38 addition and 24 deletion
docs/1.7/16.md
浏览文件 @ 40bc5e2e
......@@ -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=<NegBackward>)
......@@ -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=<NegBackward>) tensor(1.)
......@@ -256,9 +256,9 @@ tensor(0.0811, grad_fn=<NegBackward>) 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=<NllLossBackward>) tensor(1.)
......@@ -322,7 +322,7 @@ print(loss_func(model(xb), yb))
```
出：
输出如下：
```py
tensor(2.3903, grad_fn=<NllLossBackward>)
......@@ -379,7 +379,7 @@ print(loss_func(model(xb), yb))
```
出：
输出如下：
```py
tensor(0.0808, grad_fn=<NllLossBackward>)
......@@ -409,7 +409,7 @@ print(loss_func(model(xb), yb))
```
出：
输出如下：
```py
tensor(2.4215, grad_fn=<NllLossBackward>)
......@@ -425,7 +425,7 @@ print(loss_func(model(xb), yb))
```
出：
输出如下：
```py
tensor(0.0824, grad_fn=<NllLossBackward>)
......@@ -487,7 +487,7 @@ print(loss_func(model(xb), yb))
```
出：
输出如下：
```py
tensor(2.2999, grad_fn=<NllLossBackward>)
......@@ -545,7 +545,7 @@ print(loss_func(model(xb), yb))
```
出：
输出如下：
```py
tensor(0.0819, grad_fn=<NllLossBackward>)
......@@ -597,7 +597,7 @@ print(loss_func(model(xb), yb))
```
出：
输出如下：
```py
tensor(0.0821, grad_fn=<NllLossBackward>)
......@@ -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
......
docs/1.7/a.html 0 → 100644
浏览文件 @ 40bc5e2e
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Document</title>
</head>
<body>
<div>
<li style="background-color:#83ccbb;color: white;padding: 2px 12px;">TIP</li>
<p style="background-color: #f3f4f7;padding: 18px 22px;margin: 0;">您可以使用标准的 python 调试器逐步浏览 PyTorch 代码，从而可以在每一步检查各种变量值。 取消注释以下`set_trace()`即可尝试</p>
</div>
</body>
</html>
\ No newline at end of file
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或