Pytorch学习笔记(3) Neural NetWork

神经网络可以通过torch.nn包构建。

之前已经对torch.autograd包和Tensor包有个基本的认识。

  • 通过torch.nn 模型来构建升级网络模型。
  • torch.nn包依赖于torch.autograd 来构建神经网络模型并实现反向传播(梯度计算)。
  • nn.Module包含了神经网络各层的定义,通过foward(input)方法返回输出output

Example

以下是一个对数字图像进行分类的神经网络结构(LeNet5):


LeNet5网络结构

这是一个简单的前馈神经网络。结构一张32*32的图片作为输入,通过几个不同的网络层,最后得到输出。

经典的神经网络训练过程如下:

  • 定义含有待学习参数(权重)的神经网络结构
  • 数据集输入
  • 处理输入数据,通过前向传播获得输出
  • 计算损失值
  • 更新网络的权重,最简单的更新规则:
    weight = weight - learning_rate * gradient

定义神经网络

使用Pytorch来定义上图中的网络结构:

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable

class LeNet(nn.Module):
    
    def __init__(self):
        super(LeNet,self).__init__()
#         self.conv1 = nn.Conv2d(1,6,5) #
#         self.mp = nn.max_pool2d(2,2)
#         self.conv2 = nn.Conv2d()
        
        self.conv1 = nn.Sequential(
            nn.Conv2d(1,6,5),
            nn.ReLU(),
            nn.MaxPool2d((2,2))
        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(6,16,5),
            nn.ReLU(),
            nn.MaxPool2d((2,2))
        )
        self.fc1 = nn.Linear(16*5*5,120)
        self.fc2 = nn.Linear(120,84)
        self.fc3 = nn.Linear(84,10)
        
    
    def forward(self,input): # (B,1,32,32)
        print(input)
#         卷积=》池化
        x = self.conv1(input)
        x = self.conv2(x)
#         全连接
#         x = x.view(input.size()[0],-1)
        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:]  # all dimensions except the batch dimension
        num_features = 1
        for s in size:
            num_features *= s
        return num_features   

net = LeNet()
print(net)

Output


模型的参数

  • 我们只需要去定义前向传播(forward function)模型, 反向传播(backward)的过程在我们调用autograd的时候,自动生成。
  • 你可以在forward的过程中使用任何Tensor操作。
  • 通过 net.parameters()获得神经网络模型的所有参数
params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1's .weight

# 计算模型的参数总量
all_params = sum(p.numel() for p in net.parameters())
print(all_params)
结果

(6,1,5,5)和我们在模型中定义的结构相同
forward函数的输入与输出都是autograd.Variable类型的.

  • 随记生成一个期望输入 32*32。测试模型的输出。
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

#  输出
tensor([[ 0.0158, -0.0394,  0.1107,  0.1668,  0.1236,  0.0622, -0.0679,  0.0233,
          0.0937, -0.1895]], grad_fn=<AddmmBackward>)
输出了十个评分值,和我们的预期输出相同
  • 所有参数的梯度清零,并且以随记初始值进行反向传播
net.zero_grad()
out.backward(torch.randn(1, 10))

注意点

  • torch.nn包仅支持对批量数据的处理,而不能对单个样本进行处理。当你需要对单个数据进行处理的时候,使用input.unsqueeze(0)来增加假的batch维度。
  • nn.Conv2()的输出为 (Batch, Channels, Height,Weight)

损失函数(Loss Function)

output = net(input)
target = torch.randn(1,10)  # a dummy target, for example
criterion = nn.MSELoss() # 均方误差

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

# 输出
tensor(0.3994, grad_fn=<MseLossBackward>)

沿着loss的反向传播方向,依次用.grad_fn属性,就可以得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()函数的时候,整张图都被一次计算误差,所有Variable的.grad属性会被累加.

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

#输出
<MseLossBackward object at 0x1289a0e90>
<AddmmBackward object at 0x1289a0850>
<AccumulateGrad object at 0x1289a0e90>

反向传播(Backprop)

  • 我们只需要通过loss.backward 来实现反向传播的过程
  • 由于变量的梯度是累加的,所以在求backward之前应该先使用 net.zero_grad() 或者 optimizer.zero_grad()对现有的梯度清零
net.zero_grad()     # zeroes the gradient buffers of all parameters

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

loss.backward()

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

# 输出
conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([-0.0182,  0.0073, -0.0004,  0.0235, -0.0043,  0.0060])

现在我们知道如何去使用损失函数,更多损失函数的信息可以前往:Pytorch文档 Loss Function

更新模型参数(权重)

  • 最简单的参数更新方法(SGD):
lr = 0.0001
for  f  in net.parameters():
    f.data.sub_(f.grad.data*lr)
  • 为了满足不同的更新规则,比如 SGD, Nesterov-SGD, Adam, RMSProp等pttorch提供了一个很小的包:torch.optim
import torch.optim as optim

# create your optimizer
optimizer = optim.SGD(net.parameters(), lr=0.01)

# in your training loop:
optimizer.zero_grad()   # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step()    # Does the update

参考资料

1、Pytorch Loss Function
2、Pytorch 优化器
3、Pytorch torch.nn模块

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,504评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,434评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,089评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,378评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,472评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,506评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,519评论 3 413
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,292评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,738评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,022评论 2 329
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,194评论 1 342
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,873评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,536评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,162评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,413评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,075评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,080评论 2 352

推荐阅读更多精彩内容