PyTorch 学习 (3) 神经网络
来自 PyTorch 教程 Deep Learning with PyTorch: A 60 Minute Blitz > NEURAL NETWORKS
在 PyTorch 中我们使用 torch.nn 来构建神经网络
nn 通过 autograd 去定义模型,一个模型 nn.Module 包含很多层,还有一个方法 forward 用来返回输出
如图所示,表示了一个用来对图像进行分类的网络
这是一个简单的前馈网络
对于一个神经网络,通常使用如下的步骤进行训练:
- 定义一个拥有一些学习参数或者权重的神经网络
- 遍历输入数据集
- 将数据输入网络
- 计算损失 loss
- 将误差传递回网络改变学习参数
- 使用更新规则更新网络参数 (通常使用学习率)
定义一个网络
import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 1 输入图像, 6 输出通道, 3x3 平方卷积核
self.conv1 = nn.Conv2d(1, 6, 3)
self.conv2 = nn.Conv2d(6, 16, 3)
# y = Wx + b
self.fc1 = nn.Linear(16 * 6 * 6, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
# (2, 2) 最大池化
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# 如果池化尺寸为正方形,可以只指定一个参数
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:] # 除了 batch_size
num_features = 1
for s in size:
num_features *= s
return num_features
net = Net()
我们只需要定义正向函数 forward,autograd 就会自动生成反馈函数,可以在 forward 中使用所有张量操作
通过 net.parameters() 返回模型的学习参数
for p in list(net.parameters()):
print(p.size())
本网络的期望输入是 32x32
_input = torch.randn(1, 1, 32, 32)
out = net(_input)
将梯度缓冲清零,然后使用随机梯度反馈
net.zero_grad()
out.backward(torch.randn(1, 10))
torch.nn 只支持 mini-batches ,输入不支持单个样本,需要打包成 mini-batch
对于 nn.Con2d 需要采用四维张量 nSamples x nChannels x Height x Width
对于单个样本,可以使用 .unsqueeze(0) 增加额外的维度
回顾
torch.Tensor - 一个多维数组,提供了诸如 backward 这类 autograd 操作
nn.Module - 神经网络模块,完成对各种参数的封装,并且可以完成导入、加载、移动到 GPU 等操作
nn.Parameter - 一种张量,在 nn.Module 中被自动生成
autograd.Function - 实现 autograd 操作的正反向定义,每一次有关张量的操作都会创建至少一个 Function 来引用创建这个张量的方法,并将历史过程编码
现在我们已经完成了对神经网络的定义,并且可以处理输入,向后调用
接下来我们来计算损失 loss function ,更新权重
损失函数 Loss Function
损失函数的输入是 (output, target), 计算得到一个值用来表示输出与目标之间的差距
torch.nn 中有多种损失函数,一个简单的例子是 nn.MSELoss ,这个损失函数用来计算输出与目标的均方误差
out = net(input)
target = torch.randn(1, 10)
criterion = nn.MSELoss()
loss = criterion(out, target)
现在,如果对 loss 进行向后追踪,通过 grad_fn 属性,可以得到一张如下的所示的图
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss
这时我们调用 loss.backward() 就会对所有 requires_grad=True 的张量就会计算相关的梯度
我们可以通过如下操作查看
loss.grad_fn
loss.grad_fn.next_functions[0][0]
反向传播 Backprop
通过调用 loss.backward() 我们就可以向后传递误差。在这之前我们需要先清除现有梯度,否则会发生累加
net.zero_grad()
loss.backward()
print(net.conv1.bias.grad)
现在我们知道了如何调用损失函数,最后,我们需要更新网络的权重
更新权重
最简单的更新规则就是随机梯度下降 SGD
weight = weight - learning_rate * gradient
可以使用简单的 python 代码实现
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)
在 pytorch 中,torch.optim 包实现了多种更新规则
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.01)
optimizer.zero_grad() # 梯度清零
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step() # 更新权重