神经网络

神经网络可以通过使用torch.nn包进行构建

现在你粗略了解了autograd，nn依赖autograd去定义模型还有求微分。一个nn.Module含有很多层和forward(input)方法，forward方法返回output

这是一个前馈网络的例子。他接收输入，逐层传递输入，最终给出输出

一个典型的神行网络训练流程如下：

• 定义有一些可学习参数的神经网络
• 遍历输入的数据集
• 通过网络处理输入
• 计算损失（输出和正确解有多远）
• 将梯度传回网络参数中
• 更新网络权重， 经典的更新例子： W = W - lr * grad

定义网络

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

import os
import torch, torch.optim
import torch.nn.functional as F
import torch.nn as nn
os.environ['TORCH_HOME'] = 'F:/WorkSpace/tensorflow/pytorch/models'
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # 单通道图像输入， 输出6通道， 5x5 卷积核
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # 一个仿射变换操作(Affine) : y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120) # 5*5 来自图像的维度
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)
    def forward(self, x):
        # Max池化，窗口为(2,2)
        x = F.max_pool2d(F.relu(self.conv1(x)), (2,2))
        # 如果尺寸是正方形， 你可以用一个数字来指定
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = torch.flatten(x, 1) # 批处理除外，所有数据降维展平，意思就是二维图像转成一行数组。
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()
print(net)

out:

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)
)

你仅仅是需要定义forward方法，backward方法（计算梯度）是自动定义好的。你可以使用任何操作在forward方法中。

学习的模型参数由net.parameters()返回。

1
2
3

params = list(net.parameters())
print(len(params))
print(params[0].size())

10
torch.Size([6, 1, 5, 5])

尝试随机32x32输入，注意：预期的输入这个网络（LeNet）的输入时32x32的。用MNIST数据集在这个网络上的话，请将图像尺寸改为32x32

1
2
3

input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

out:

tensor([[-0.0771, 0.0865, 0.1370, 0.1146, -0.0952, -0.0172, -0.0014, -0.0123,
0.0449, 0.1213]], grad_fn=)

所有参数的梯度缓存清零。然后随机梯度传播

1
2

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

Note:

torch.nn 仅支持mini-batches。 整个torch.nn包仅支持输入一个样本的mini-batch，而不是单个样本

比如，nn.Conv2d将收到（nSamples x nChannels x Height x Width）的4D（4维张量）。

如果你有一个样本，就用input.unsqueeze(0)去添加一个假的批维度（batch dimensioin）

损失函数

一个损失行数有（output, target）两部分的输入，计算输出和目标有多远。

nn包中的loss function有一点不同。 一个简单的loss是：nn.MSELoss，它计算的是输入和目标的均方差

如：

1
2
3
4
5
6
7

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

loss = criterion(output, target)
print(loss)

out:

tensor(0.7784, grad_fn=)

现在，如果你跟着loss的方向走，用它的.grad_fn属性，你会看到一个计算图

1
2
3
4

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
      -> flatten -> linear -> relu -> linear -> relu -> linear
      -> MSELoss
      -> loss

所以，当我们调用loss.backward(), 整个图是分化为w.r.t神经网络的参数，然后所有在图中有requires_grad=True的张量会有他们的.grad，Tensor累计的梯度。

为了证明，我们退几步

1
2
3

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

out:

1
2
3
4
5
6
7

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

loss.backward()

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

1

weight = weight - learning_rate * gradient

1
2
3

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

1
2
3
4
5
6
7
8
9

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

# 放在训练循环中
optimizer.zero_grad()
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step()