沈阳建站模板展示,公司招聘要求,大型网站开发收费,网站建设工作流程图上一篇#xff1a;PyTorch官网demo解读——第一个神经网络#xff08;1#xff09; 继上一篇文章我们展示了第一个神经网络的完整代码#xff0c;今天我们来聊聊这个神经网络的模型设计。
这个demo实际上只使用了一个简单的线性模型#xff1a;y wx b#xff1b;
手写…上一篇PyTorch官网demo解读——第一个神经网络1 继上一篇文章我们展示了第一个神经网络的完整代码今天我们来聊聊这个神经网络的模型设计。
这个demo实际上只使用了一个简单的线性模型y wx b
手写数字识别最后其实只输出10个结果0~9所以我们可以将结果表示为包含十个数的一维矩阵 [10]矩阵中的每个值是预测的概率值表示索引代表的数字的概率。
我们的图片是28*28784像素的我们用一维矩阵[784]来表示所以我们的目标就是将784 10。因为这个demo中只使用了一层神经网络于是我们将我们的权重参数设计成784x10的二维矩阵[784, 10]这样每张图片的像素值乘以权重矩阵就得出10个数的一维矩阵[10]再加上10个数的偏差值bias就是我们预测的结果了。是不是很简单:))
每个权重参数其实就是一个神经元那么我们总共只使用了7840个神经元就可以识别数字了。
每个神经元执行的计算也很简单就是进行了一次 y wx b 的函数运算结果y再进行一次激活函数运算log_softmax
模型运行简化流程如下图 对应demo中的关键代码
# 初始化权重和偏差值权重是随机出来的784*10的矩阵偏差初始化为0
weights torch.randn(784, 10) / math.sqrt(784)
weights.requires_grad_()
bias torch.zeros(10, requires_gradTrue)# 激活函数
def log_softmax(x):return x - x.exp().sum(-1).log().unsqueeze(-1)# 定义模型y wx b
# 实际上就是单层的Linear模型
def model(xb):return log_softmax(xb weights bias)
ok今天就先聊到这里吧 原来数学如此的美代码的尽头是数学
