pytorch深学習の枠組みでは、人工ニューラルネットワーク全体の手順の確立に4つのステップを次のとおりです。
図1に示すように、生データをロードします
図2に示すように、ニューラルネットワークは、特に構築しました
3、トレーニングデータ
4、テストおよび検証データ
データは、例えば、元のデータのフォントを書いMINISTするニューラルネットワークの負荷をpytorch：
輸入トーチ
PLTとしてインポートmatplotlib.pyplot
デフplot_curve（データ）：
図= plt.figure（）
plt.plot（範囲（LEN（データ））、データ、色= "青"）
plt.legend（[ "値"]、LOC = "右上"）
plt.xlabel（ "ステップ"）
plt.ylabel（ "値"）
plt.show（）
デフplot_image（IMG、ラベル、名前）：
図= plt.figure（）
私のための範囲内（6）：
plt.subplot（2,3、I + 1）
plt.tight_layout（）
plt.imshow（IMG [I] [0] * 0.3081 + 0.1307、CMAP = "グレー"、補間= "なし"）
plt.title（ "{}：{}" 形式（名前、ラベル[I] .item（）））
plt.xticks（[]）
plt.yticks（[]）
plt.show（）
DEF one_hot（ラベル、深さ= 10）。
アウト= torch.zeros（label.size（0）、深さ）
IDX = torch.LongTensor（ラベル）.view（-1,1）
out.scatter_（= 1、調光率= IDX、値= 1）
アウト返します
BATCH_SIZE = 512
輸入トーチ
トーチインポートNN＃からニューラルネットワークパッケージの構築を完了するために
一般的に使用される関数を含むF＃1パケットのような機能インポートtorch.nnから
トーチインポートOPTIM＃の最適化キットから
輸入torchvisionの＃のビジュアルツールキット
PLTとしてインポートmatplotlib.pyplot
輸入plot_curve utilsのから、plot_image、one_hot
＃ステップ1負荷データセットロードデータパケット
train_loader = torch.utils.data.DataLoader（
torchvision.datasets.MNIST（ "minist_data"、電車= Trueの場合、ダウンロード=真、（= torchvision.transforms.Compose変換
[torchvision.transforms.ToTensor（）、torchvision.transforms.Normalize（（0.1307）（0.3081））
]））、
BATCH_SIZE = BATCH_SIZE、シャッフル=真）
test_loader = torch.utils.data.DataLoader（
torchvision.datasets.MNIST（ "minist_data"、電車= Trueの場合、ダウンロード= Falseに、（= torchvision.transforms.Compose変換
[torchvision.transforms.ToTensor（）、torchvision.transforms.Normalize（（0.1307）（0.3081））
]））、
BATCH_SIZE = BATCH_SIZE、シャッフル=偽）
X、Y =次（ITER（train_loader））
印刷（x.shape、y.shape）
plot_image（X、Y、 "画像"）
プリント（X）
プリント（Y）
一例として、回帰問題単純なニューラルネットワークを構築するために、特定の実装コードは次のように
輸入トーチ
この中にF＃の活性化関数としてtorch.nn.functionalインポート
X = torch.unsqueeze（torch.linspace（-1、1、100）、DIM = 1）＃Xのデータ（テンソル）、形状=（100、1）
Y = x.pow（2）+ 0.2 * torch.rand（x.size（））＃騒々しいYデータ（テンソル）、形状=（100、1）
クラスネット（torch.nn.Module）：＃は、モジュールトーチ（固定）を継承
デフ__init __（自己、n_feature、n_hidden、n_output）の#define情報層、どのように多くの入力n_feature、n_hidden各ニューロン、出力n_outputの数
スーパー（ネット、自己）.__のinit __（）＃は__init__機能を継承した（固定）
＃は、各層を形成するかを定義します
self.hidden = torch.nn.Linear（n_feature、n_hidden）＃中間層、線形出力を定義します
self.predict = torch.nn.Linear（n_hidden、n_output）＃は、出力層の線形出力を定義します
DEFフォワード（自己、X）：＃データが__init__におけるレイヤ情報、入力情報は、また、前方モジュール機能で、配信プロセスに以前に定義されたニューラルネットワークであるの組み合わせをX
入力値の＃順伝播、ニューラルネットワーク解析の出力値
X = F.relu（self.hidden（X））＃（隠れ層リニア値）活性化関数を定義します
X = self.predict（X）＃出力層、出力値
X返します
ネット=ネット（n_feature = 1、n_hidden = 10、n_output = 1）
プリント（ネット）＃ネット構造
「」」
ネット（
（隠された）：リニア（1 - > 10）
（予測）：リニア（10 - > 1）
）
「」」
＃オプティマイザは、トレーニングツールです。
オプティマイザ= torch.optim.SGD（net.parameters（）、LR = 0.2）＃全てのパラメータは、着信ネットの学習率
loss_func = torch.nn.MSELoss（）＃予測値と計算された誤差の真値（平均二乗誤差）
範囲のためのT（100）：100のステップまでのステップのトレーニング数の＃
予測=ネット（X）＃は、各反復ステップ、出力の予測値のために、ネットの訓練データxを与え
損失= loss_func（予測、y）を算出間＃エラー
＃最適化の手順：
更新されたパラメータ値ステップにoptimizer.zero_grad（）＃明確な残基
loss.backward（）＃誤差逆伝播、更新値演算パラメータ
optimizer.step（）＃パラメータ更新値がネットパラメータに適用されます
PLTとしてインポートmatplotlib.pyplot
plt.ion（）＃リアルタイムプロットについて何かを描きます
範囲のためのT（200）。
予測=ネット（X）＃入力XおよびXに基づいて予測します
損失= loss_func（予測、Y）位（1 NN出力、2ターゲット）でなければなりません
次の電車用optimizer.zero_grad（）＃明確な勾配
loss.backward（）＃バックプロパゲーション、計算勾配
optimizer.step（）＃は、グラデーションを適用します
T％5 == 0の場合：＃は、一度、図のすべての5つのステップを描きました。
＃プロットとshow学習プロセス
plt.cla（）
plt.scatter（x.data.numpy（）、y.data.numpy（））
plt.plot（x.data.numpy（）、prediction.data.numpy（）、 'R-'、LW = 5）
plt.text（0.5、0、 '損失=％4F' ％loss.data.numpy（）、fontdict = { 'サイズ'：20、 '色'： '赤'}）
plt.pause（0.1）
plt.ioff（）
plt.show（）
