在你已经掌握了如何使用PyTorch构建神经网络的基础上,接下来我们将深入探讨PyTorch的两个核心特性:自动求导(Autograd)和优化(Optimization)。这两个特性在深度学习模型的训练过程中起着至关重要的作用。
一、自动求导
在PyTorch中,所有神经网络的核心是autograd
包。先简单理解这个包,然后我们会去训练我们的第一个神经网络。
autograd
包提供了所有张量上的自动求导操作。它是一个在运行时定义的框架,这意味着你的反向传播是由你的代码运行方式决定的,因此每次迭代可以不同。
让我们通过一些简单的例子来更好地理解这个概念:
import torch
# 创建一个张量并设置requires_grad=True来追踪与它相关的计算
x = torch.ones(2, 2, requires_grad=True)
print(x)
# 对张量进行操作
y = x + 2
print(y)
# 因为y是操作的结果,所以它有grad_fn属性
print(y.grad_fn)
# 对y进行更多操作
z = y * y * 3
out = z.mean()
print(z, out)
二、梯度
我们可以通过调用.backward()
来进行反向传播,计算梯度:
out.backward()
# 输出梯度 d(out)/dx
print(x.grad)
三、训练模型
在定义神经网络后,我们可以将数据输入到网络中,并使用反向传播计算梯度。然后使用优化器更新网络的权重:
import torch.optim as optim
# 创建优化器(随机梯度下降)
optimizer = optim.SGD(net.parameters(), lr=0.01)
# 在训练循环中:
optimizer.zero_grad() # 清零梯度缓存
output = net(input) # 输入数据并得到输出
loss = criterion(output, target) # 计算损失函数
loss.backward() # 反向传播
optimizer.step() # 更新权重
到此,你已经了解了如何在PyTorch中使用自动求导和优化器进行模型训练。在实际使用中,你会发现这两个特性极大地简化了训练过程,使得PyTorch在深度学习框架中备受青睐。