는 I는이 문서에 기초하여 모듈을 작성 변하지. TextClassifyCnnNet
>>FlatCnnLayer
>>FilterLayer
pytorch 손실 값
FilterLayer :
class FilterLayer(nn.Module):
def __init__(self, filter_size, embedding_size, sequence_length, out_channels=128):
super(FilterLayer, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(1, out_channels, (filter_size, embedding_size)),
nn.ReLU(inplace=True),
nn.MaxPool2d((sequence_length - filter_size + 1, 1), stride=1)
)
for m in self.modules():
if isinstance(m, nn.Conv2d):
n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
m.weight.data.normal_(0, math.sqrt(2./n))
def forward(self, x):
return self.model(x)
FlatCnnLayer :
class FlatCnnLayer(nn.Module):
def __init__(self, embedding_size, sequence_length, filter_sizes=[3, 4, 5], out_channels=128):
super(FlatCnnLayer, self).__init__()
self.filter_layers = nn.ModuleList(
[FilterLayer(filter_size, embedding_size, sequence_length, out_channels=out_channels) for
filter_size in filter_sizes])
def forward(self, x):
pools = []
for filter_layer in self.filter_layers:
out_filter = filter_layer(x)
# reshape from (batch_size, out_channels, h, w) to (batch_size, h, w, out_channels)
pools.append(out_filter.view(out_filter.size()[0], 1, 1, -1))
x = torch.cat(pools, dim=3)
x = x.view(x.size()[0], -1)
x = F.dropout(x, p=dropout_prob, training=True)
return x
TextClassifyCnnNet (주 모듈) :
class TextClassifyCnnNet(nn.Module):
def __init__(self, embedding_size, sequence_length, num_classes, filter_sizes=[3, 4, 5], out_channels=128):
super(TextClassifyCnnNet, self).__init__()
self.flat_layer = FlatCnnLayer(embedding_size, sequence_length, filter_sizes=filter_sizes,
out_channels=out_channels)
self.model = nn.Sequential(
self.flat_layer,
nn.Linear(out_channels * len(filter_sizes), num_classes)
)
def forward(self, x):
x = self.model(x)
return x
def fit(net, data, save_path):
if torch.cuda.is_available():
net = net.cuda()
for param in list(net.parameters()):
print(type(param.data), param.size())
optimizer = optim.Adam(net.parameters(), lr=0.01, weight_decay=0.1)
X_train, X_test = data['X_train'], data['X_test']
Y_train, Y_test = data['Y_train'], data['Y_test']
X_valid, Y_valid = data['X_valid'], data['Y_valid']
n_batch = len(X_train) // batch_size
for epoch in range(1, n_epochs + 1): # loop over the dataset multiple times
net.train()
start = 0
end = batch_size
for batch_idx in range(1, n_batch + 1):
# get the inputs
x, y = X_train[start:end], Y_train[start:end]
start = end
end = start + batch_size
# zero the parameter gradients
optimizer.zero_grad()
# forward + backward + optimize
predicts = _get_predict(net, x)
loss = _get_loss(predicts, y)
loss.backward()
optimizer.step()
if batch_idx % display_step == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(x), len(X_train), 100. * batch_idx/(n_batch + 1), loss.data[0]))
# print statistics
if epoch % display_step == 0 or epoch == 1:
net.eval()
valid_predicts = _get_predict(net, X_valid)
valid_loss = _get_loss(valid_predicts, Y_valid)
valid_accuracy = _get_accuracy(valid_predicts, Y_valid)
print('\r[%d] loss: %.3f - accuracy: %.2f' % (epoch, valid_loss.data[0], valid_accuracy * 100))
print('\rFinished Training\n')
net.eval()
test_predicts = _get_predict(net, X_test)
test_loss = _get_loss(test_predicts, Y_test).data[0]
test_accuracy = _get_accuracy(test_predicts, Y_test)
print('Test loss: %.3f - Test accuracy: %.2f' % (test_loss, test_accuracy * 100))
torch.save(net.flat_layer.state_dict(), save_path)
def _get_accuracy(predicts, labels):
predicts = torch.max(predicts, 1)[1].data[0]
return np.mean(predicts == labels)
def _get_predict(net, x):
# wrap them in Variable
inputs = torch.from_numpy(x).float()
# convert to cuda tensors if cuda flag is true
if torch.cuda.is_available:
inputs = inputs.cuda()
inputs = Variable(inputs)
return net(inputs)
def _get_loss(predicts, labels):
labels = torch.from_numpy(labels).long()
# convert to cuda tensors if cuda flag is true
if torch.cuda.is_available:
labels = labels.cuda()
labels = Variable(labels)
return F.cross_entropy(predicts, labels)
나는 3 개 사용자 정의 모듈로 내 소스 코드를 구분
매개 변수가 다시 나타납니다. 각 시대마다 약간의 차이가 있지만 정확성은 모든 과정에 남아 있습니다. 동일한 구현과 Tensorflow의 동일한 매개 변수를 사용하면 올바르게 실행됩니다.
저는 Pytorch에 익숙하지 않습니다. 어쩌면 내 지시 사항이 잘못되었을 수도 있습니다. 알아 내도록 도와주세요. 고맙습니다!
P .: F.cross_entropy
대신 F.nll_loss
+ F.log_softmax
을 사용하려고합니다. 이론적으로는 동일하게 반환해야하지만 실제로 다른 결과가 출력됩니다 (그러나 여전히 잘못된 손실 값입니다).
어떻게 완전 연결 계층에만 'weight_decay'를 설정할 수 있습니까? 레이어의 각 유형에 대해 특정 'weight_decay'를 설정하십시오. –
이것은 PyTorch에서 쉽게 구현할 수 있습니다. 옵티마이 저는 매개 변수 그룹을 허용하며, 각 매개 변수 그룹에서'lr','weight_decay'를 따로 설정할 수 있습니다. 자세한 내용은 [여기] (http://pytorch.org/docs/master/optim.html#per-parameter-options)를 참조하십시오. 또한, 'pytorch에서 다른 계층의 다른 학습 속도'에 대한 구글 검색 꽤 많은 정보를 줄 것이다. 또 다른 자료는 훌륭한 [PyTorch 포럼] (https://discuss.pytorch.org/)입니다. 이미 많은 질문을하고 좋은 답변을 가지고 있으므로 질문을 게시하기 전에 포럼을 검색하십시오. – jdhao
@VietPhan이 체중 감소 값을 줄이는 효과가 있습니까? – jdhao