本文共 2839 字，大约阅读时间需要 9 分钟。

PyTorch 模型实战系列学习笔记

本周学习内容：

• PyTorch 实现CNN分类器，识别MNIST数据集
• 以CNN为例，实现GPU加速
• PyTorch 实现RNN分类器，识别MNIST数据集
• PyTorch 实现RNN回归，用sin去拟合cos
• PyTorch 实现自编码器
• PyTorch 实现DQN，模拟小车顶棍子
• PyTorch 实现GAN，画曲线

环境配置：

• Python=3.7
• torch=1.6.0
• torchvision=0.7.0

6. CNN

CNN 模型实现

def __init__(self):    super(CNN, self).__init__()    self.conv1 = nn.Sequential(        nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),        nn.ReLU(),        nn.MaxPool2d(kernel_size=2)    )    self.conv2 = nn.Sequential(        nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),        nn.ReLU(),        nn.MaxPool2d(kernel_size=2)    )    self.out = nn.Linear(32*7*7, 10)

模型功能

• 输入处理：批量大小默认为50，输入形状为(B, 1, 28, 28)
• 过�会：两层卷积层，每层包含卷积、激活函数和池化操作
• 输出层：全连接层输出10个分类
• 前向传递：输入经过conv1和conv2两层后，形状变为(B, 32, 7, 7)，再转换为(B, 3277)，通过出层得到预测结果
• 损失函数：交叉熵损失

训练过程

• 数据集：使用MNIST数据集，训练集60000样本，测试集5000样本
• 优化器：Adam优化器，学习率为0.001
• 可视化：每50个步骤输出训练损失和测试准确率
• 预测结果：测试集预测结果与真实值对比，输出为 [7,2,1,0,4,1,4,9,5,9]

7. RNN_classifier

RNN 类ification 模型

def forward(self, x):    r_out, (h_n, h_c) = self.rnn(x, None)    return self.out(r_out[:, -1, :])

模型架构

• 输入层：时间步为28，输入维度为28×1
• RNN 层：LSTM层，初始隐藏状态为零
• 输出层：全连接层输出10个分类
• 损失函数：交叉熵损失

训练过程

• 数据集：MNIST数据集，批量大小为64
• 优化器：Adam优化器，学习率为0.01
• 可视化：每50个步骤输出训练损失和测试准确率
• 预测结果：测试集预测结果与真实值对比，输出为 [7,2,1,0,4,1,4,9,8,9]

8. RNN_regressor

RNN 回归 模型

def forward(self, x, h_state):    r_out, h_state = self.rnn(x, h_state)    return self.out(r_out[:, -1, :]), h_state

模型特点

• 小范围应用：用于拟合sin函数输出的cos函数
• 输入处理：输入为时间序列，形状为(B, 1)
• RNN 层：LSTM层，隐藏状态大小为32
• 输出层：线性层输出1个预测值
• 训练目标：最小化预测值与真实值的MSE损失

训练过程

• 训练数据：生成的sin数据和对应的cos数据
• 批量大小：64
• 学习率：0.01
• 动态图像：每50步更新一次，动态显示预测值与真实值的波形

9. Autoencoder

自编码器 模型

编码器部分

self.encoder = nn.Sequential(    nn.Linear(28*28, 128),    nn.Tanh(),    nn.Linear(128, 64),    nn.Tanh(),    nn.Linear(64, 12),    nn.Tanh(),    nn.Linear(12, 3))

解码器部分

self.decoder = nn.Sequential(    nn.Linear(3, 12),    nn.Tanh(),    nn.Linear(12, 64),    nn.Tanh(),    nn.Linear(64, 128),    nn.Tanh(),    nn.Linear(128, 28*28),    nn.Sigmoid())

学习目的

• 自编码：对输入图像进行压缩再解码
• 无监督学习：利用MNIST数据集的图片进行训练
• 可视化：动态显示压缩后的特征映射

训练过程

• 批量大小：50
• 学习率：0.001
• 训练周期：5个 epoch
• 动态图像：每100步更新一次，展示压缩后的特征图和原图

10. DQN

DQN 模型结构

class Net(nn.Module):    def __init__(self):        self.fc1 = nn.Linear(N_STATES, 50)        self.fc1.weight.data.normal_(0, 0.1)        self.out = nn.Linear(50, N_ACTIONS)        self.out.weight.data.normal_(0, 0.1)        def forward(self, x):        x = self.fc1(x)        x = F.relu(x)        return self.out(x)

训练过程

• 强化学习框架：基于CartPole环境
• 记忆库：存储经验回放5000步
• 学习策略：在线学习，适当替换目标网络参数
• 动作选择：ε-greedy策略，平衡探索与利用
• 可视化：动态显示 每次行动结果和奖励

11. GAN

GAN 模型架构

G = nn.Sequential(    nn.Linear(N_IDEAS, 128),    nn.ReLU(),    nn.Linear(128, ART_COMPONENTS))D = nn.Sequential(    nn.Linear(ART_COMPONENTS, 128),    nn.ReLU(),    nn.Linear(128, 1),    nn.Sigmoid())

训练过程

• 艺术生成：G生成抽象艺术，D判别真实度
• 交叉训练：G试图生成接近真实数据的样本，D试图识别真实数据
• 动态可视化：每50次迭代展示生成样本和训练过程

以上就是本周学习内容的各个实战报告。

转载地址：http://pwdhz.baihongyu.com/