溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
今天就跟大家聊聊有關pytorch中Sequential的使用方法，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。
class torch.nn.Sequential(* args)
一個時序容器。Modules 會以他們傳入的順序被添加到容器中。當然，也可以傳入一個OrderedDict。
為了更容易的理解如何使用Sequential, 下面給出了一個例子：
# Example of using Sequential
model = nn.Sequential(
nn.Conv2d(1,20,5),
nn.ReLU(),
nn.Conv2d(20,64,5),
nn.ReLU()
)
# Example of using Sequential with OrderedDict
model = nn.Sequential(OrderedDict([
('conv1', nn.Conv2d(1,20,5)),
('relu1', nn.ReLU()),
('conv2', nn.Conv2d(20,64,5)),
('relu2', nn.ReLU())
]))補充知識：pytorch 中 torch.optim.Adam 方法的使用和參數的解釋
class torch.optim.Adam(params, lr=0.001, betas=(0.9, 0.999), eps=1e-08, weight_decay=0)[source]
實現Adam算法。
它在Adam: A Method for Stochastic Optimization中被提出。
參數：
params (iterable) – 待優化參數的iterable或者是定義了參數組的dict
lr (float, 可選) – 學習率（默認：1e-3）
betas (Tuple[float, float], 可選) – 用于計算梯度以及梯度平方的運行平均值的系數（默認：0.9，0.999）
eps (float, 可選) – 為了增加數值計算的穩定性而加到分母里的項（默認：1e-8）
weight_decay (float, 可選) – 權重衰減（L2懲罰）（默認: 0）
個人理解：
lr：同樣也稱為學習率或步長因子，它控制了權重的更新比率（如 0.001）。較大的值（如 0.3）在學習率更新前會有更快的初始學習，而較小的值（如 1.0E-5）會令訓練收斂到更好的性能。
betas = （beta1，beta2）
beta1：一階矩估計的指數衰減率（如 0.9）。
beta2：二階矩估計的指數衰減率（如 0.999）。該超參數在稀疏梯度（如在 NLP 或計算機視覺任務中）中應該設置為接近 1 的數。
eps：epsilon：該參數是非常小的數，其為了防止在實現中除以零（如 10E-8）。
看完上述內容，你們對pytorch中Sequential的使用方法有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
