PyTorch实现随机傅里叶特征映射的示例代码

简介: 这里我们定义了一个名为RFFeatureMap的类,它继承自PyTorch的nn.Module类。该类接受输入维度input_dim、输出维度output_dim和高斯核参数sigma作为参数。在初始化函数中,我们生成了随机正弦和余弦函数的系数omega和随机偏移量b,并将它们保存在该类的实例变量中。在前向函数中,我们首先将输入x转换为形状为(batch_size, input_dim)的张量。然后我们通过点乘x和omega的转置,加上偏移量b,并应用余弦函数,计算出特征映射z。最后我们返回特征映射z。
import torch
import numpy as np
class RFFeatureMap(torch.nn.Module):
    def __init__(self, input_dim, output_dim, sigma=1.0):
        super().__init__()
        self.input_dim = input_dim
        self.output_dim = output_dim
        self.sigma = sigma
        # 随机生成特征映射所需的正弦和余弦函数的系数
        self.omega = torch.randn(output_dim, input_dim) * self.sigma
        self.b = torch.rand(output_dim) * 2 * np.pi
    def forward(self, x):
        # 计算特征映射
        x = x.view(-1, self.input_dim)
        z = torch.cos(torch.mm(x, self.omega.t()) + self.b)
        return z

这里我们定义了一个名为RFFeatureMap的类,它继承自PyTorch的nn.Module类。该类接受输入维度input_dim、输出维度output_dim和高斯核参数sigma作为参数。在初始化函数中,我们生成了随机正弦和余弦函数的系数omega和随机偏移量b,并将它们保存在该类的实例变量中。

在前向函数中,我们首先将输入x转换为形状为(batch_size, input_dim)的张量。然后我们通过点乘xomega的转置,加上偏移量b,并应用余弦函数,计算出特征映射z。最后我们返回特征映射z


下面是一个示例代码,演示如何使用PyTorch生成随机数作为输入数据,并使用上面提供的RFFeatureMap类对其进行降维:


import torch
# 定义随机数生成器
rng = torch.Generator()
rng.manual_seed(0)
# 定义输入数据的维度和数量
input_dim = 100
num_samples = 1000
# 生成随机输入数据
x = torch.randn(num_samples, input_dim, generator=rng)
# 定义特征映射的维度
output_dim = 50
# 创建随机傅里叶特征映射
rf_map = RFFeatureMap(input_dim, output_dim)
# 对输入数据进行特征映射
z = rf_map(x)
# 打印输出数据的形状
print(z.shape)  # 输出: torch.Size([1000, 50])

在此示例中,我们首先定义了一个随机数生成器rng,并使用其生成了一个大小为(num_samples, input_dim)的随机输入张量x。然后我们定义了输出维度output_dim,并创建了一个RFFeatureMap实例rf_map,该实例将输入维度从input_dim降至output_dim

最后,我们使用特征映射rf_map对输入张量x进行处理,并将输出结果保存在变量z中。最终,我们打印出z的形状,结果为(num_samples, output_dim),表明成功地将输入数据从input_dim降至output_dim维。


-----------------介绍一下上面的x = torch.randn(num_samples, input_dim, generator=rng)中的generator=rng


在PyTorch中,torch.randn()函数可以用于生成服从标准正态分布的随机数张量。该函数接受张量的形状作为输入,并返回一个张量,其中的元素都是从标准正态分布中抽取的随机数。

在上述代码中,我们通过传递generator=rng参数来指定了一个随机数生成器rng,用于生成随机数张量x。这个随机数生成器是一个PyTorch中的torch.Generator类的实例,用于控制随机数生成的过程,使得每次运行程序时生成的随机数序列都是确定的。

在某些情况下,例如在训练深度神经网络时,我们需要确保每次运行程序时都生成不同的随机数序列。这时候,我们可以在每次生成随机数张量时都使用不同的随机数生成器实例,这样可以避免不同运行时的随机数相同的问题。

因此,我们可以在每次生成随机数张量时,通过generator参数指定一个新的torch.Generator实例,从而生成不同的随机数序列。例如:


# 使用不同的随机数生成器生成两个随机数张量
x1 = torch.randn(10, generator=torch.Generator())
x2 = torch.randn(10, generator=torch.Generator())

在这个例子中,我们分别使用了两个不同的torch.Generator实例来生成两个大小为(10,)的随机数张量。这样可以确保每次生成的随机数序列都是不同的。


-----------如果要确定相同怎么办?


如果需要在多次运行程序时生成相同的随机数序列,可以通过设置随机数生成器的种子(seed)来实现。

在PyTorch中,可以使用torch.manual_seed()函数来设置全局随机数生成器的种子,该种子将影响所有使用该生成器生成的随机数。例如,我们可以在程序的开头调用torch.manual_seed(0)函数来设置全局随机数生成器的种子为0,这样每次运行程序时都将生成相同的随机数序列。

在上述代码中,我们使用了一个torch.Generator实例rng作为随机数生成器,并通过rng.manual_seed(0)函数设置了该生成器的种子为0。因此,在生成随机数张量x时,我们传递了generator=rng参数,以确保每次运行程序时都生成相同的随机数序列。

下面是一个示例代码,演示如何在PyTorch中生成相同的随机数序列:


import torch
# 设置全局随机数生成器的种子
torch.manual_seed(0)
# 创建随机数生成器
rng = torch.Generator()
rng.manual_seed(0)
# 生成随机数张量
x = torch.randn(10, generator=rng)
# 打印生成的随机数张量
print(x)

在这个例子中,我们首先使用torch.manual_seed(0)函数设置全局随机数生成器的种子为0。然后我们创建了一个torch.Generator实例rng,并使用rng.manual_seed(0)函数设置了该生成器的种子为0。最后,我们使用rng生成器生成了一个大小为(10,)的随机数张量,并打印了该张量的值。由于种子相同,因此每次运行程序时都将生成相同的随机数张量。

相关文章
|
机器学习/深度学习 PyTorch 算法框架/工具
使用PyTorch处理多维特征输入的完美指南
使用PyTorch处理多维特征输入的完美指南
使用PyTorch处理多维特征输入的完美指南
|
机器学习/深度学习 PyTorch 算法框架/工具
使用Pytorch处理多维特征的输入
下图这个预测一个人在一年之后得糖尿病的概率的例子,这个时候我们的输入将会有很多的指标。你可以把它看成是我们体检的各种值。最后一排的外代表了他是否会得糖尿病。
242 0
|
机器学习/深度学习 数据可视化 PyTorch
使用Pytorch和Matplotlib可视化卷积神经网络的特征(下)
使用Pytorch和Matplotlib可视化卷积神经网络的特征
501 0
使用Pytorch和Matplotlib可视化卷积神经网络的特征(下)
|
机器学习/深度学习 数据可视化 自动驾驶
使用Pytorch和Matplotlib可视化卷积神经网络的特征(上)
使用Pytorch和Matplotlib可视化卷积神经网络的特征
309 0
使用Pytorch和Matplotlib可视化卷积神经网络的特征(上)
|
机器学习/深度学习 并行计算 PyTorch
【PyTorch基础教程7】多维特征input
之前的一维特征input,只有一个x和权重w相乘,多维的情况则是xi依次与逐个wi相乘(ps:每行x都这样算,每行即每个样本),可以用向量形式表示:
207 0
【PyTorch基础教程7】多维特征input
|
5天前
|
机器学习/深度学习 数据采集 人工智能
PyTorch学习实战:AI从数学基础到模型优化全流程精解
本文系统讲解人工智能、机器学习与深度学习的层级关系,涵盖PyTorch环境配置、张量操作、数据预处理、神经网络基础及模型训练全流程,结合数学原理与代码实践,深入浅出地介绍激活函数、反向传播等核心概念,助力快速入门深度学习。
33 1
|
4月前
|
机器学习/深度学习 PyTorch API
PyTorch量化感知训练技术:模型压缩与高精度边缘部署实践
本文深入探讨神经网络模型量化技术,重点讲解训练后量化(PTQ)与量化感知训练(QAT)两种主流方法。PTQ通过校准数据集确定量化参数,快速实现模型压缩,但精度损失较大;QAT在训练中引入伪量化操作,使模型适应低精度环境,显著提升量化后性能。文章结合PyTorch实现细节,介绍Eager模式、FX图模式及PyTorch 2导出量化等工具,并分享大语言模型Int4/Int8混合精度实践。最后总结量化最佳策略,包括逐通道量化、混合精度设置及目标硬件适配,助力高效部署深度学习模型。
623 21
PyTorch量化感知训练技术:模型压缩与高精度边缘部署实践
|
5天前
|
机器学习/深度学习 存储 PyTorch
Neural ODE原理与PyTorch实现:深度学习模型的自适应深度调节
Neural ODE将神经网络与微分方程结合,用连续思维建模数据演化,突破传统离散层的限制,实现自适应深度与高效连续学习。
35 3
Neural ODE原理与PyTorch实现:深度学习模型的自适应深度调节
|
1月前
|
PyTorch 算法框架/工具 异构计算
PyTorch 2.0性能优化实战:4种常见代码错误严重拖慢模型
我们将深入探讨图中断(graph breaks)和多图问题对性能的负面影响,并分析PyTorch模型开发中应当避免的常见错误模式。
109 9
|
6月前
|
机器学习/深度学习 JavaScript PyTorch
9个主流GAN损失函数的数学原理和Pytorch代码实现:从经典模型到现代变体
生成对抗网络(GAN)的训练效果高度依赖于损失函数的选择。本文介绍了经典GAN损失函数理论,并用PyTorch实现多种变体,包括原始GAN、LS-GAN、WGAN及WGAN-GP等。通过分析其原理与优劣,如LS-GAN提升训练稳定性、WGAN-GP改善图像质量,展示了不同场景下损失函数的设计思路。代码实现覆盖生成器与判别器的核心逻辑,为实际应用提供了重要参考。未来可探索组合优化与自适应设计以提升性能。
440 7
9个主流GAN损失函数的数学原理和Pytorch代码实现:从经典模型到现代变体

热门文章

最新文章

推荐镜像

更多