一一中文网

手机浏览器扫描二维码访问

第61章 深度学习框架（第2页）

。

这次，他打算以“研究者”

和“探索者”

的心态重新审视它。

pytorch由Facebook（现meta）AI研究院推出，核心设计哲学是“python优先”

和动态计算图。

林晨从最基本的张量（tensor）操作开始，感受其与Numpy的相似性带来的亲切感。

构建模型时，他需要自己定义一个继承自torch.nn.module的类，并在forward方法中明确写出数据流动的过程。

importtorch

importtorch.nnasnn

importtorch.optimasoptim

classSimpleNN（nn.module）:

def__init__（self）:

super.__init__

self.flatten=nn.Flatten

self.linear_relu_stack=nn.Sequential（

nn.Linear（28*28，128），

nn.ReLU，

nn.Linear（128，10）

）

defforward（self，x）:

x=self.flatten（x）

logits=self.linear_relu_stack（x）

returnlogits

这种面向对象的方式，让模型的每一层、每一个操作都清晰可见。

最让林晨感到舒心的是pytorch的自动微分（autograd）系统和调试的便捷性。

他可以在训练循环的任何地方，插入打印语句查看张量的值、形状，甚至计算梯度。

动态图意味着计算图是在代码运行时动态构建的，这带来了无与伦比的灵活性——你可以用python原生的控制流（if、for、while）来构建模型结构，这在研究新模型结构时简直是神器。

“这才是编程的感觉”

。

林晨忍不住感叹。

他尝试修改网络结构，增加一个跳跃连接（Skipconnection），在tensorFlow中可能需要调整tf.keras的ApI用法，而在pytorch里，他几乎像写普通python类一样自然地在forward方法里实现了。

为了更直观地对比，林晨决定用两个框架分别实现同一个稍复杂的模型——一个简单的卷积神经网络（cNN），再次在mNISt上测试。

结果，在模型性能上两者相差无几（pytorch版本98.2%，tensorFlow版本98.1%），但在开发体验上，林晨明显感觉pytorch更符合他的思维习惯。