前言
本文参考PyTorch官网的教程,分为五个基本模块来介绍PyTorch。为了避免文章过长,这五个模块分别在五篇博文中介绍。
Part3:使用PyTorch构建一个神经网络
神经网络可以使用touch.nn来构建。nn依赖于autograd来定义模型,并且对其求导。一个nn.Module包含网络的层(layers),同时forward(input)可以返回output。
这是一个简单的前馈网络。它接受输入,然后一层一层向前传播,最后输出一个结果。
训练神经网络的典型步骤如下:
(1) 定义神经网络,该网络包含一些可以学习的参数(如权重)
(2) 在输入数据集上进行迭代
(3) 使用网络对输入数据进行处理
(4) 计算loss(输出值距离正确值有多远)
(5) 将梯度反向传播到网络参数中
(6) 更新网络的权重,使用简单的更新法则:weight = weight - learning_rate* gradient,即:新的权重=旧的权重-学习率*梯度值。
1 定义网络
我们先定义一个网络:
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
29
30
31
32
33
34
35
36
37
38
39
40
|
import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__( self ):
super (Net, self ).__init__()
# 1 input image channel, 6 output channels, 5x5 square convolution
# kernel
self .conv1 = nn.Conv2d( 1 , 6 , 5 )
self .conv2 = nn.Conv2d( 6 , 16 , 5 )
# an affine operation: y = Wx + b
self .fc1 = nn.Linear( 16 * 5 * 5 , 120 )
self .fc2 = nn.Linear( 120 , 84 )
self .fc3 = nn.Linear( 84 , 10 )
def forward( self , x):
# Max pooling over a (2, 2) window
x = F.max_pool2d(F.relu( self .conv1(x)), ( 2 , 2 ))
# If the size is a square you can only specify a single number
x = F.max_pool2d(F.relu( self .conv2(x)), 2 )
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 = Net()
print (net)
|
预期输出:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
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 ( 400 - > 120 )
(fc2): Linear ( 120 - > 84 )
(fc3): Linear ( 84 - > 10 )
)
|
你只需要定义forward函数,那么backward函数(梯度在此函数中计算)就会利用autograd来自动定义。你可以在forward函数中使用Tensor的任何运算。
学习到的参数可以被net.parameters()返回。
1
2
3
|
params = list (net.parameters())
print ( len (params))
print (params[ 0 ].size()) # conv1's .weight
|
预期输出:
10
torch.Size([6, 1, 5, 5])
前向计算的输入和输出都是autograd.Variable,注意,这个网络(LeNet)的输入尺寸是32*32。为了在MNIST数据集上使用这个网络,请把图像大小转变为32*32。
1
2
3
|
input = Variable(torch.randn( 1 , 1 , 32 , 32 ))
out = net( input )
print (out)
|
预期输出:
Variable containing:
-0.0796 0.0330 0.0103 0.0250 0.1153 -0.0136 0.0234 0.0881 0.0374 -0.0359
[torch.FloatTensor of size 1x10]
将梯度缓冲区归零,然后使用随机梯度值进行反向传播。
1
2
|
net.zero_grad()
out.backward(torch.randn( 1 , 10 ))
|
注意:torch.nn只支持mini-batches. 完整的torch.nn package只支持mini-batch形式的样本作为输入,并且不能只包含一个样本。例如,nn.Conv2d会采用一个4D的Tensor(nSamples* nChannels * Height * Width)。如果你有一个单样本,可以使用input.unsqueeze(0)来添加一个虚假的批量维度。
在继续之前,让我们回顾一下迄今为止所见过的所有类。
概述:
(1) torch.Tensor——多维数组
(2) autograd.Variable——包装了一个Tensor,并且记录了应用于其上的运算。与Tensor具有相同的API,同时增加了一些新东西例如backward()。并且有相对于该tensor的梯度值。
(3) nn.Module——神经网络模块。封装参数的简便方式,对于参数向GPU移动,以及导出、加载等有帮助。
(4) nn.Parameter——这是一种变量(Variable),当作为一个属性(attribute)分配到一个模块(Module)时,可以自动注册为一个参数(parameter)。
(5) autograd.Function——执行自动求导运算的前向和反向定义。每一个Variable运算,创建至少一个单独的Function节点,该节点连接到创建了Variable并且编码了它的历史的函数身上。
2 损失函数(Loss Function)
损失函数采用输出值和目标值作为输入参数,来计算输出值距离目标值还有多大差距。在nn package中有很多种不同的损失函数,最简单的一个loss就是nn.MSELoss,它计算输出值和目标值之间的均方差。
例如:
1
2
3
4
5
6
|
output = net( input )
target = Variable(torch.arange( 1 , 11 )) # a dummy target, for example
criterion = nn.MSELoss()
loss = criterion(output, target)
print (loss)
|
现在,从反向看loss,使用.grad_fn属性,你会看到一个计算graph如下:
1
2
3
4
|
input - > conv2d - > relu - > maxpool2d - > conv2d - > relu - > maxpool2d
- > view - > linear - > relu - > linear - > relu - > linear
- > MSELoss
- > loss
|
当我们调用loss.backward(),整个的graph关于loss求导,graph中的所有Variables都会有他们自己的.grad变量。
为了理解,我们进行几个反向步骤。
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
|
预期输出:
1
2
3
4
5
|
< torch.autograd.function.MSELossBackwardobjectat0x7fb3c0dcf4f8 >
< torch.autograd.function.AddmmBackwardobjectat0x7fb3c0dcf408 >
< AccumulateGradobjectat0x7fb3c0db79e8 >
|
3 反向传播(Backprop)
可以使用loss.backward()进行误差反向传播。你需要清除已经存在的梯度值,否则梯度将会积累到现有的梯度上。
现在,我们调用loss.backward(),看一看conv1的bias 梯度在backward之前和之后的值。
1
2
3
4
5
6
7
8
9
|
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)
|
4 更新权重
实践当中最简单的更新法则就是随机梯度下降法( StochasticGradient Descent (SGD))
1
|
weight = weight - learning_rate * gradient
|
执行这个操作的python代码如下:
1
2
3
|
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)
|
但是当你使用神经网络的时候,你可能会想要尝试多种不同的更新法则,例如SGD,Nesterov-SGD, Adam, RMSProp等。为了实现此功能,有一个package叫做torch.optim已经实现了这些。使用它也很方便:
1
2
3
4
5
6
7
8
9
10
11
|
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
|
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。
原文链接:https://blog.csdn.net/zzlyw/article/details/78769001