pytorch 入门笔记 -03- 神经网络

前言

本节主要内容是如何使用 torch.nn 包来构建神经网络。

上一讲已经讲过了 autogradnn 包依赖 autograd 包来定义模型并求导。
一个 nn.Module 包含各个层和一个 forward(input) 方法,该方法返回 output

例如:

它是一个简单的前馈神经网络,它接受一个输入,然后一层接着一层地传递,最后输出计算的结果。

神经网络的典型训练过程如下:

  1. 定义包含一些可学习的参数(或者叫权重)神经网络模型;
  2. 在数据集上迭代;
  3. 通过神经网络处理输入;
  4. 计算损失(输出结果和正确值的差值大小);
  5. 将梯度反向传播回网络的参数;
  6. 更新网络的参数,主要使用如下简单的更新原则:weight = weight - learning_rate * gradient

定义网络

开始定义一个网络:

import torch
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):
    def __init__(self,):
        super(Net, self).__init__()
        # 输入图片通道数为 1,输出通道数为 6,卷积核大小为 (5, 5)
        self.conv1 = nn.Conv2d(1, 6, 5)
        # 输入图片通道数为 6,输出通道数为 16,卷积核大小为 (5, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # 最大池化层,池化层窗口大小为 (2, 2)
        x = F.max_pool2d(F.relu(self.conv1(x)), 2)
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        # 改变数据的维度
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]
        num_features = 1
        for s in size:
            num_features *= s
        return num_features


net = Net()
print(net)
Net(
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear(in_features=400, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=84, bias=True)
(fc3): Linear(in_features=84, out_features=10, bias=True)
)

在模型中必须要定义 forward 函数,backward 函数(用来计算梯度)会被 autograd 自动创建。
可以在 forward 函数中使用任何针对 Tensor 的操作。

net.parameters() 返回可被学习的参数(权重)列表和值

params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1 的权重
10
torch.Size([6, 1, 5, 5])

测试随机输入 32×32。
注:这个网络(LeNet)期望的输入大小是 32×32,如果使用 MNIST 数据集来训练这个网络,请把图片大小重新调整到 32×32。

input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
tensor([[ 0.0172,  0.1005, -0.1940, -0.0691, -0.0525, -0.0239, -0.0056, -0.0597,
0.0184, -0.0300]], grad_fn=<AddmmBackward0>)

将所有参数的梯度缓存清零,然后进行随机梯度的的反向传播:

net.zero_grad()
out.backward(torch.randn(1, 10))

note

torch.nn 只支持小批量输入。整个 torch.nn 包都只支持小批量样本,而不支持单个样本。
例如,nn.Conv2d 接受一个 4 维的张量,每一维分别是 sSamples * nChannels * Height * Width(样本数 * 通道数 * 高 * 宽)。如果你有单个样本,只需使用 input.unsqueeze(0) 来添加其它的维数

在继续之前,我们回顾一下到目前为止用到的类。

回顾:

重点如下:

还剩:

损失函数

一个损失函数接受一对 (output, target) 作为输入,计算一个值来估计网络的输出和目标值相差多少。

译者注:output 为网络的输出,target 为实际值

nn 包中有很多不同的损失函数
nn.MSELoss 是一个比较简单的损失函数,它计算输出和目标间的均方误差
例如:

output = net(input)
target = torch.rand(10)
target = target.view(1, -1)
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)
tensor(0.4526, grad_fn=<MseLossBackward0>)

现在,如果在反向过程中跟随 loss , 使用它的 .grad_fn 属性,将看到如下所示的计算图。

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss
所以,当我们调用 loss.backward() 时,整张计算图都会
根据 loss 进行微分,而且图中所有设置为 requires_grad=True 的张量
将会拥有一个随着梯度累积的 .grad 张量。

为了说明,让我们向后退几步:

print(loss.grad_fn) # MSELoss
print(loss.grad_fn.next_functions[0][0]) # Linear
print(loss.grad_fn.next_functions[0][0].next_functions[0][0]) # ReLU
<MseLossBackward0 object at 0x7f417c5f3d30>
<AddmmBackward0 object at 0x7f417c5f34f0>
<AccumulateGrad object at 0x7f417c5f3d30>

反向传播

调用 loss.backward() 获得反向传播的误差。

但是在调用前需要清除已存在的梯度,否则梯度将被累加到已存在的梯度。

现在,我们将调用 loss.backward(),并查看 conv1 层的偏差(bias)项在反向传播前后的梯度。

net.zero_grad()

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bais.grad after backward')
print(net.conv1.bias.grad)
conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bais.grad after backward
tensor([ 0.0040,  0.0098,  0.0213, -0.0162,  0.0075, -0.0018])

如何使用损失函数

稍后阅读:

nn 包,包含了各种用来构成深度神经网络构建块的模块和损失函数,完整的文档请查看 here

剩下的最后一件事:

更新权重

在实践中最简单的权重更新规则是随机梯度下降(SGD):

weight = weight - learning_rate * gradient
我们可以使用简单的 Python 代码实现这个规则:

learning_rate = 0.01
for f in net.parameters():
    f.data.sub_(f.grad.data * learning_rate)

但是当使用神经网络是想要使用各种不同的更新规则时,比如 SGDNesterov-SGDAdamRMSPROP 等,PyTorch 中构建了一个包 torch.optim 实现了所有的这些规则。
使用它们非常简单:

import torch.optim as optim

# 创建优化器
optimizer = optim.SGD(net.parameters(), lr=0.01)

# 迭代训练
optimizer.zero_grad() # 梯度清零
output = net(input)
loss = criterion(output, target) # 计算损失
loss.backward() # 反向传播
optimizer.step() # 更新参数

注意

观察如何使用 optimizer.zero_grad() 手动将梯度缓冲区设置为零。

这是因为梯度是按 Backprop 部分中的说明累积的。

  • Python

    Python 是一种面向对象、直译式电脑编程语言,具有近二十年的发展历史,成熟且稳定。它包含了一组完善而且容易理解的标准库,能够轻松完成很多常见的任务。它的语法简捷和清晰,尽量使用无异义的英语单词,与其它大多数程序设计语言使用大括号不一样,它使用缩进来定义语句块。

    505 引用 • 666 回帖 • 176 关注
  • PyTorch
    8 引用 • 8 回帖

相关帖子

欢迎来到这里!

我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。

注册 关于
请输入回帖内容 ...