pytorch define una red simple

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):

    def __init__(self):
        super(Net,self).__init__()
        self.conv1 = nn.Conv2d(1,6,5)
        self.conv2 = nn.Conv2d(6,16,5)
        self.fc1 = nn.Linear(16*5*5, 120)
        self.fc2 = nn.Linear(120,84)
        self.fc3 = nn.Linear(84,10)

    def forward(self,x):
        x= F.max_pool2d(F.relu(self.conv1(x)),(2,2))
        x= F.max_pool2d(F.relu(self.conv2(x)),2)
        x= x.view(-1,self.num_flat_feature(x))
        x = F.relu(self.fc1(x))
        x= F.relu(self.fc2(x))
        x = self.fc3(x)
        return x
    def num_flat_feature(self,x):
        size = x.size()[1:]
        num_features=1
        for s in size:
            num_features *=s
        return num_features

net = Net()
print(net)

input = torch.randn(1,1,32,32)
out = net(input)
print(out)

Establezca todos los búferes de gradiente de parámetros en cero y use gradientes aleatorios para propagar hacia atrás

net.zero_grad()
out.backward(torch.randn(1, 10))

Producción

Aquí, hemos completado:

1. Definir una red neuronal

2. Procesamiento de entrada y retropropagación de llamadas

Restante:

1. Calcule el valor de la pérdida

2. Actualiza los pesos en la red.