PyTorch的深度学习入门教程之构建神经网络
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:
importtorch fromtorch.autogradimportVariable importtorch.nnasnn importtorch.nn.functionalasF classNet(nn.Module): def__init__(self): super(Net,self).__init__() #1inputimagechannel,6outputchannels,5x5squareconvolution #kernel self.conv1=nn.Conv2d(1,6,5) self.conv2=nn.Conv2d(6,16,5) #anaffineoperation:y=Wx+b self.fc1=nn.Linear(16*5*5,120) self.fc2=nn.Linear(120,84) self.fc3=nn.Linear(84,10) defforward(self,x): #Maxpoolingovera(2,2)window x=F.max_pool2d(F.relu(self.conv1(x)),(2,2)) #Ifthesizeisasquareyoucanonlyspecifyasinglenumber 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) returnx defnum_flat_features(self,x): size=x.size()[1:]#alldimensionsexceptthebatchdimension num_features=1 forsinsize: num_features*=s returnnum_features net=Net() print(net)
预期输出:
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。
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。
input=Variable(torch.randn(1,1,32,32)) out=net(input) print(out)
预期输出:
Variablecontaining:
-0.07960.03300.01030.02500.1153-0.01360.02340.08810.0374-0.0359
[torch.FloatTensorofsize1x10]
将梯度缓冲区归零,然后使用随机梯度值进行反向传播。
net.zero_grad() out.backward(torch.randn(1,10))
注意:torch.nn只支持mini-batches.完整的torch.nnpackage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(LossFunction)
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nnpackage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:
output=net(input) target=Variable(torch.arange(1,11))#adummytarget,forexample 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:
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。
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:
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。
net.zero_grad()#zeroesthegradientbuffersofallparameters print('conv1.bias.gradbeforebackward') print(net.conv1.bias.grad) loss.backward() print('conv1.bias.gradafterbackward') 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( StochasticGradientDescent(SGD))
weight=weight-learning_rate*gradient
执行这个操作的python代码如下:
learning_rate=0.01 forfinnet.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:
importtorch.optimasoptim #createyouroptimizer optimizer=optim.SGD(net.parameters(),lr=0.01) #inyourtrainingloop: optimizer.zero_grad()#zerothegradientbuffers output=net(input) loss=criterion(output,target) loss.backward() optimizer.step()#Doestheupdate
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毛票票。