【Python】利用skorch进行深度学习

概述【Python】利用skorch进行深度学习利用pytorch能够很好地进行私人定制的深度学习，然而torch中的张量总是感觉充满神秘色彩，导致很多时候要进行很久的debug。具有numpy和sklearn特色的skorch应运而生。本文浅尝辄止，仅给出一个实际案例和代码。**importskorchfromskorchi 【Python】利用skorch进行深度学习

利用pytorch能够很好地进行私人定制的深度学习，然而torch中的张量总是感觉充满神秘色彩，导致很多时候要进行很久的deBUG。具有numpy和sklearn特色的skorch应运而生。本文浅尝辄止，仅给出一个实际案例和代码。**

import skorchfrom skorch import NeuralNetRegressorfrom sklearn.model_selection import RandomizedSearchCVimport torch.nn as nnimport torch.optim as optimimport torch.nn.functional as Fclass MyModule(nn.Module):    def __init__(self,num_units=10,nonlin=F.relu,drop=.5):        super(MyModule,self).__init__()                self.module = nn.Sequential(            nn.linear(7,num_units),            nn.LeakyReLU(),            nn.Dropout(p=drop),            nn.linear(num_units,1),        )            def forward(self,X):        X = self.module(X)        return X            sknet = NeuralNetRegressor(    MyModule,    criterion=nn.MSELoss,    max_epochs=10,    optimizer=optim.Adam,    optimizer__lr = .005)lr = (10**np.random.uniform(-5,-2.5,1000)).toList()params = {    'optimizer__lr': lr,    'max_epochs':[300,400,500],    'module__num_units': [14,20,28,36,42],    'module__drop' : [0,.1,.2,.3,.4]}gs = RandomizedSearchCV(net,params,refit=True,cv=3,scoring='neg_mean_squared_error',n_iter=100)

总结

以上是内存溢出为你收集整理的【Python】利用skorch进行深度学习全部内容，希望文章能够帮你解决【Python】利用skorch进行深度学习所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。