浅层神经网络的几种简单实现
一、说明
本文给出了pytorch对浅层神经网络的几种简单实现,下面各例实现均相互独立,但按照目录组织有一定循序渐进之意。
注:例中的神经网络并无实际含义(训练集随机生成),仅以学习记录为主要目的。(当然你可以称之为随机数生成器hhh…)
二、借助基本API进行实现
import torch
# 定义训练集数量与各层维数
N = 64
DEG_in = 1000
DEG_hidden = 100
DEG_out = 10
# 激活函数选用ReLU
ReLU = torch.nn.ReLU()
# 建立训练数据
x = torch.randn(DEG_in, N)
y = torch.randn(DEG_out, N)
# 设定权重初值
w2 = torch.randn(DEG_hidden, DEG_in)
w3 = torch.randn(DEG_out, DEG_hidden)
# 设定学习率
learning_rate = 5e-5
# 梯度下降法迭代500次
for i in range(500):
# 向前传播
z2 = torch.mm(w2, x)
a2 = ReLU(z2)
z3 = torch.mm(w3, a2) # out
# 计算损失/代价
cost = 0.5 * ((y - z3).pow(2).sum().item())
print('['+str(i)+']', 'cost: '+str(cost))
# 反向传播
grad_actfunc_z3 = torch.ones_like(z3) # 输出层等价于选用y=x作为激活函数
delta3 = torch.mul(- (y - z3), grad_actfunc_z3)
grad_cost_w3 = torch.mm(delta3, a2.t())
grad_actfunc_z2 = z2.clone()
grad_actfunc_z2[grad_actfunc_z2 > 0] = 1
grad_actfunc_z2[grad_actfunc_z2 <= 0] = 0
delta2 = torch.mul(torch.mm(w3.t(), delta3), grad_actfunc_z2)
grad_cost_w2 = torch.mm(delta2, x.t())
# 优化/更新权重
w2 -= learning_rate / N * grad_cost_w2
w3 -= learning_rate / N * grad_cost_w3
三、利用自动求导机制(Autograd)省去手动梯度计算
import torch
# 定义训练集数量与各层维数
N = 64
DEG_in = 1000
DEG_hidden = 100
DEG_out = 10
# 激活函数选用ReLU
ReLU = torch.nn.ReLU()
# 建立训练数据
x = torch.randn(DEG_in, N)
y = torch.randn(DEG_out, N)
# 设定权重初值(对需要跟踪求导的tensor设置requires_grad=True)
w2 = torch.randn(DEG_hidden, DEG_in, requires_grad=True)
w3 = torch.randn(DEG_out, DEG_hidden, requires_grad=True)
# 设定学习率
learning_rate = 5e-5
# 梯度下降法迭代500次
for i in range(500):
# 向前传播
z2 = torch.mm(w2, x)
a2 = ReLU(z2)
z3 = torch.mm(w3, a2) # out
# 计算损失/代价
cost = 0.5 * ((y - z3).pow(2).sum())
print('['+str(i)+']', 'cost: '+str(cost.item()))
# 反向传播(自动求导的结果将保存在grad属性中)
cost.backward()
# 优化权重时就不必再跟踪计算w2和w3的导数/梯度
with torch.no_grad():
# 优化/更新权重
w2 -= learning_rate / N * w2.grad
w3 -= learning_rate / N * w3.grad
# # 进入下一轮迭代前将被跟踪的tensor的grad属性置零(若不手动清零则会累加每轮自动求导的结果)
w2.grad.zero_()
w3.grad.zero_()
四、引入nn.Sequential简化模型定义
import torch
# 定义训练集数量与各层维数
N = 64
DEG_in = 1000
DEG_hidden = 100
DEG_out = 10
# 建立训练数据(与前两个实现不同的是,此处将输入定义为行向量以满足model.forward()的传参)
x = torch.randn(N, DEG_in)
y = torch.randn(N, DEG_out)
# 定义神经网络模型
model = torch.nn.Sequential(
torch.nn.Linear(DEG_in, DEG_hidden), # 第一个参数指定前一层的维数,第二个参数指定后一层的维数
torch.nn.ReLU(),
torch.nn.Linear(DEG_hidden, DEG_out)
)
# 选择代价函数
cost_func = torch.nn.MSELoss(reduction='sum')
# 设定学习率
learning_rate = 2e-3
# 梯度下降法迭代500次
for i in range(500):
# 向前传播
out = model(x) # 即model.forward(x)
# 计算损失/代价
cost = cost_func(y, out)
print('['+str(i)+']', 'cost: '+str(cost.item()))
# 反向传播
cost.backward()
# 优化权重时就不必再跟踪计算w2和w3的导数/梯度
with torch.no_grad():
# 优化/更新权重(通过model.parameters()获取)
for param in model.parameters():
param -= learning_rate / N * param.grad
# 进入下一轮迭代前将被跟踪的tensor的grad属性置零
model.zero_grad()
五、选用optim中的优化器来优化梯度下降
import torch
# 定义训练集数量与各层维数
N = 64
DEG_in = 1000
DEG_hidden = 100
DEG_out = 10
# 建立训练数据
x = torch.randn(N, DEG_in)
y = torch.randn(N, DEG_out)
# 定义神经网络模型
model = torch.nn.Sequential(
torch.nn.Linear(DEG_in, DEG_hidden),
torch.nn.ReLU(),
torch.nn.Linear(DEG_hidden, DEG_out)
)
# 选择代价函数
cost_func = torch.nn.MSELoss(reduction='sum')
# 设定学习率
learning_rate = 5e-5
# 选择优化器(须传入模型参数与学习率)
optimizer = torch.optim.Adam(model.parameters(), lr = learning_rate)
# 梯度下降法迭代500次
for i in range(500):
# 向前传播
out = model(x) # 即model.forward(x)
# 计算损失/代价
cost = cost_func(y, out)
print('['+str(i)+']', 'cost: '+str(cost.item()))
# 反向传播
cost.backward()
# 梯度下降(全权交给优化器来优化实现)
optimizer.step()
# 进入下一轮迭代前将被跟踪的tensor的grad属性置零
optimizer.zero_grad()