Pytorch-implementing-first-neural-network

PyTorch-最初のニューラルネットワークの実装

PyTorchには、ニューラルネットワークを作成および実装する特別な機能が含まれています。 この章では、1つの隠れ層が単一の出力ユニットを開発する単純なニューラルネットワークを作成します。

私たちは次の手順を使用して、PyTorchを使用して最初のニューラルネットワークを実装します-

ステップ1

まず、以下のコマンドを使用してPyTorchライブラリをインポートする必要があります-

import torch
import torch.nn as nn

ステップ2

以下に示すように、すべてのレイヤーとバッチサイズを定義して、ニューラルネットワークの実行を開始します-

# Defining input size, hidden layer size, output size and batch size respectively
n_in, n_h, n_out, batch_size = 10, 5, 1, 10

ステップ3

ニューラルネットワークには、それぞれの出力データを取得するための入力データの組み合わせが含まれているため、以下に示すのと同じ手順に従います-

# Create dummy input and target tensors (data)
x = torch.randn(batch_size, n_in)
y = torch.tensor([[Step 4

Create a sequential model with the help of in-built functions. Using the below lines of code, create a sequential model −

[source,prettyprint,notranslate]

＃モデルの作成model = nn.Sequential（nn.Linear（n_in、n_h）、nn.ReLU（）、nn.Linear（n_h、n_out）、nn.Sigmoid（））

=== Step 5

Construct the loss function with the help of Gradient Descent optimizer as shown below −

[source,prettyprint,notranslate]

損失関数の条件を構築する= torch.nn.MSELoss（）＃オプティマイザーを構築する（この場合は確率的勾配降下）オプティマイザー= torch.optim.SGD（model.parameters（）、lr = 0.01）

=== Step 6

Implement the gradient descent model with the iterating loop with the given lines of code −

[source,prettyprint,notranslate]

＃range（50）のエポックの勾配降下：＃フォワードパス：モデルにxを渡すことで予測yを計算y_pred = model（x）

＃損失損失を計算して印刷する= criteria（y_pred、y）print（ 'epoch：'、epoch、 'loss：'、loss.item（））

＃勾配をゼロにし、後方パスを実行し、重みを更新します。 optimizer.zero_grad（）

＃後方パス（backpropagation）loss.backward（）を実行します

＃パラメーターoptimizer.step（）を更新します

=== Step 7

The output generated is as follows −

[source,prettyprint,notranslate]

エポック：0損失：0.2545787990093231エポック：1損失：0.2545052170753479エポック：2損失：0.254431813955307エポック：3損失：0.25435858964920044エポック：4損失：0.2542854845523834エポック：5損失：0.25421255826950073エポック：6損失：0.25413978099823エポック：損失8損失：0.2539947032928467エポック：9損失：0.25392240285873413エポック：10損失：0.25385022163391113エポック：11損失：0.25377824902534485エポック：12損失：0.2537063956260681エポック：13損失：0.2536346912384033エポック：14損失：0.25356316566467285 epoch：917損失：エポック：0.25342053174972534エポック：17損失：0.2533493936061859エポック：18損失：0.2532784342765808エポック：19損失：0.25320762395858765エポック：20損失：0.2531369626522064エポック：21損失：0.25306645035743713エポック：22損失：0.252996027469635 epエポック：25損失：0.25278574228286743エポック：26損失：0.25271597504615784エポック：27損失：0.25264623761177063エポック：28損失：0.2 5257670879364014エポック：29損失：0.2525072991847992エポック：30損失：0.2524380087852478エポック：31損失：0.2523689270019531エポック：32損失：0.25229987502098083エポック：33損失：0.25223103165626526エポック：34損失：0.25216227769851685エポック：0.25202 ：37損失：0.2519568204879761エポック：38損失：0.251888632774353エポック：39損失：0.25182053446769714エポック：40損失：0.2517525553703308エポック：41損失：0.2516847252845764エポック：42損失：0.2516169846057892エポック：43損失：0.2515493929386283エポック：45損失損失：0.25141456723213196エポック：46損失：0.2513473629951477エポック：47損失：0.2512802183628082エポック：48損失：0.2512132525444031エポック：49損失：0.2511464059352875