技术标签: 深度学习 pytorch 神经网络 # 实习项目
最简单的AutoEncoder不过是一个拥有瓶颈层(bottleneck layer)的MLP 【1】 ,所以在神经网络的结构上只需要做出一点改动即可。其功能是通过将输入信息作为学习目标,对输入信息进行表征学习(representation learning)。
程序通过encoder将mnist数据中的部分图片(高维输入图片x)由高维降维为低维,从而实现图片数据特征的提取;之后通过decoder将低维信息还原为高维信息(高维输出图片y),通过x与y之间的差异进行损失函数的评估,从而去优化神经网络中的参数,进而优化我们所需的特征数据。
import torch
import torch.nn as nn
import torch.nn.functional as F
import visdom
from torchvision import datasets,transforms
from torch.utils.data import DataLoader
# 创建模型
class AE_Net(nn.Module):
def __init__(self):
super(AE_Net,self).__init__()
self.encoder1=nn.Linear(784,256)
self.encoder2=nn.Linear(256,64)
self.encoder3=nn.Linear(64,20)
self.decoder1=nn.Linear(20,64)
self.decoder2=nn.Linear(64,256)
self.decoder3=nn.Linear(256,784)
def forward(self,x):
x=x.flatten(1) # 展开为1维
x = F.relu(self.encoder1(x))
x = F.relu(self.encoder2(x))
x = F.relu(self.encoder3(x))
x = F.relu(self.decoder1(x))
x = F.relu(self.decoder2(x))
x = torch.sigmoid(self.decoder3(x))
x=x.view(-1,1,28,28) # 相当于reshape
return x
# 数据在输入神经网咯前的预处理吧
mnist_train = datasets.MNIST('data/',train=True,download=True,transform=transforms.Compose([transforms.ToTensor()]))
mnist_test = datasets.MNIST('data/',train=False,download=True,transform=transforms.Compose([transforms.ToTensor()]))
train_loader=DataLoader(mnist_train,batch_size=32,shuffle=True) # 一次性输入32张图片给网络进行训练和shuffle=True用于打乱数据集
test_loader=DataLoader(mnist_test,batch_size=32,shuffle=False)
x,y=iter(train_loader).next() # 生成迭代器,并返回迭代器的下一个项目
print(x.shape)
# 神经网络的三大法宝:
net=AE_Net() # 模型
optimizer=torch.optim.Adam(net.parameters(),lr=1e-3) # 优化
loss=nn.MSELoss() # 损失
# vis=visdom.Visdom() # 定义一个visdom
vis = visdom.Visdom(env=u'withstand')
# 多次训练
for epoch in range(10): # 这个训练过程很久,所以训练次数暂时定为10次
for batch_idx,(x,y) in enumerate(train_loader):
x_hat=net(x)
los=loss(x_hat,x)
optimizer.zero_grad() # 三大固定步骤 优化阶梯归零
los.backward() # 后向传递
optimizer.step() # 更新参数
print(epoch,'loss:',los.item())
x,y=iter(test_loader).next()
with torch.no_grad(): # 强制之后的内容不进行图构建
x_hat=net(x)
vis.images(x,nrow=8,win='x-ae',opts=dict(title='x'))
vis.images(x_hat,nrow=8,win='x_hat',opts=dict(title='x_hat'))
打开网页http://localhost:8097,输入环境名,即可得到运行结果
深度神经网络的代码框架可以归纳如下:
1、class net 建模
(1)结构定义
(2)forward函数,正向传播函数
2、训练
(1)对训练数据集的引入以及初始化
(2)建完三大法宝:模型,优化,损失
(3)进入多次训练循环:调用网络;计算损失函数;三个固定语句
(4)对结果进行print或者plt展示
(5)test测试
出现问题,一旦使用visdom就显示出 ConnectionRefusedError: [WinError 10061] 由于目标计算机积极拒绝,无法连接 然后显示不出结果
打开【Anaconda Prompt】
第一步,激活环境,键入:
activate (环境名)
第二步,启动visdom的服务器,键入:
python -m visdom.server
等一小会就会出现以下信息,
接着打开他给的网页,运行程序,就可以显示了,
但是在跑代码之前都必须按这个步骤打开visdom server才不会出错。
【1】Wang H, Yeung D Y. Towards Bayesian deep learning: A framework and some existing methods[J]. IEEE Transactions on Knowledge and Data Engineering, 2016, 28(12): 3395-3408.
这话来着这篇文章,原文:In its simplest form, an autoencoder is no more than a multilayer perceptron with a bottleneck layer (a layer with a small number of hidden units) in the middle.
译文:在其最简单的形式中,一个自动编码器不过是一个多层感知器,在中间有一个瓶颈层(一个具有少量隐藏单元的层)。
文章浏览阅读2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数