torchkeras,像Keras同樣訓練Pytorch模型

torchkeras 是在pytorch上實現的仿keras的高層次Model接口。有了它，你能夠像Keras那樣，對pytorch構建的模型進行summary，compile，fit，evaluate , predict五連擊。一切都像行雲流水般天然。

聽起來，torchkeras的功能很是強大。但實際上，它的實現很是簡單，所有源代碼不足300行。若是你想理解它實現原理的一些細節，或者修改它的功能，不要猶豫閱讀和修改項目源碼。

安裝它僅須要運行：

pip install torchkeras

公衆號後臺回覆關鍵詞：torchkeras。獲取項目git源代碼和本文所有源碼！

下面是一個使用torchkeras來訓練模型的完整範例。咱們設計了一個3層的神經網絡來解決一個正負樣本按照同心圓分佈的分類問題。

import numpy as np 
import pandas as pd 
from matplotlib import pyplot as plt
import torch
from torch import nn
import torch.nn.functional as F
from torch.utils.data import Dataset,DataLoader,TensorDataset

from torchkeras import Model,summary #Attention this line!

一，準備數據

構造按照同心圓分佈的正負樣本數據。

%matplotlib inline
%config InlineBackend.figure_format = 'svg'

#number of samples
n_positive,n_negative = 2000,2000

#positive samples
r_p = 5.0 + torch.normal(0.0,1.0,size = [n_positive,1]) 
theta_p = 2*np.pi*torch.rand([n_positive,1])
Xp = torch.cat([r_p*torch.cos(theta_p),r_p*torch.sin(theta_p)],axis = 1)
Yp = torch.ones_like(r_p)

#negative samples
r_n = 8.0 + torch.normal(0.0,1.0,size = [n_negative,1]) 
theta_n = 2*np.pi*torch.rand([n_negative,1])
Xn = torch.cat([r_n*torch.cos(theta_n),r_n*torch.sin(theta_n)],axis = 1)
Yn = torch.zeros_like(r_n)

#concat positive and negative samples
X = torch.cat([Xp,Xn],axis = 0)
Y = torch.cat([Yp,Yn],axis = 0)


#visual samples
plt.figure(figsize = (6,6))
plt.scatter(Xp[:,0],Xp[:,1],c = "r")
plt.scatter(Xn[:,0],Xn[:,1],c = "g")
plt.legend(["positive","negative"]);

# split samples into train and valid data.
ds = TensorDataset(X,Y)
ds_train,ds_valid = torch.utils.data.random_split(ds,[int(len(ds)*0.7),len(ds)-int(len(ds)*0.7)])
dl_train = DataLoader(ds_train,batch_size = 100,shuffle=True,num_workers=2)
dl_valid = DataLoader(ds_valid,batch_size = 100,num_workers=2)

二，構建模型

咱們經過對torchkeras.Model進行子類化來構建模型，而不是對torch.nn.Module的子類化來構建模型。實際上 torchkeras.Model是torch.nn.Moduled的子類。

class DNNModel(Model):  ### Attention here
    def __init__(self):
        super(DNNModel, self).__init__()
        self.fc1 = nn.Linear(2,4)
        self.fc2 = nn.Linear(4,8) 
        self.fc3 = nn.Linear(8,1)
        
    def forward(self,x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        y = nn.Sigmoid()(self.fc3(x))
        return y
        
model = DNNModel()
model.summary(input_shape =(2,))

三，訓練模型

咱們須要先用compile將損失函數，優化器以及評估指標和模型綁定。而後就能夠用fit方法進行模型訓練了。

本文分享自微信公衆號 - Python與算法之美（Python_Ai_Road）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。