神经网络_conv1-CSDN博客

本文链接：https://blog.csdn.net/czhichao/article/details/114298620

神经网络

神经网络

神经网络

神经网络可以用torch.nn这个包来创建。nn依赖于autograd来定义模型和求导，一个nn.Module包含layers（层），和一个可以返回output的方法——forward(input)
这是一个分类字母的分类网络。
在这里插入图片描述
一个典型的神经网络的训练过程如下：

定义一个包含可学习参数（如weights）的神经网络
迭代输入数据（input）
通过网络处理数据
计算loss
把梯度反向传播到参数中
更新可学习参数，通常用：weight = weight - learning_rate * gradient

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 input image channel, 6 output channels, 3x3 square convolution kernel
        self.conv1 = nn.Conv2d(1, 6, 3)
        self.conv2 = nn.Conv2d(6, 16, 3)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 6 * 6, 120)  # 6*6 from image dimension
        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)

输出：

Net(
  (conv1): Conv2d(1, 6, kernel_size=(3, 3), stride=(1, 1))
  (conv2): Conv2d(6, 16, kernel_size=(3, 3), stride=(1, 1))
  (fc1): Linear(in_features=576, out_features=120, bias=True)
  (fc2): Linear(in_features=120, out_features=84, bias=True)
  (fc3): Linear(in_features=84, out_features=10, bias=True)
)

你只需要定义forward函数，backward函数因为你用autograd，所以是自动定义好的。你可以在forward函数中使用任何关于tensor的操作。使用net.parameters()可以返回模型中的可学习参数。

params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1's .weight

输出：

10
torch.Size([6, 1, 3, 3])

现在用3232的输入来试试（这个网络只能是3232）

input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

把梯度缓存都清零，然后用随即的梯度值来进行后向传播：

net.zero_grad()
out.backward(torch.randn(1, 10))

注意：
torch.nn只支持mini-batches，不支持单张图片，conv2d接收的只能是4维的参数——nSamples x nChannels x Height x Width。如果是单张图片，就用input.unsqueeze(0)来增加一个维度。
还有就是坑爹的官网竟然是错的，全连接层图里面显示的是1655，代码里写的是in_features=576，也就是说1666，我是把代码里的params一个个打印出来看的，然后对着这个图一一对着看，才发现不对。
这个params长度为10，里面的参数的shape分别为

torch.Size([6, 1, 3, 3])6个卷积核，每个深度是1，长宽都是3。
torch.Size([6])6个偏置值，第一个卷积操作的可学习参数都出来了。
torch.Size([16, 6, 3, 3])16个卷积核，深度（维度）是6，高宽为3。
torch.Size([16])16个偏置值，第二个卷积操作的可学习参数也出来了。
torch.Size([120, 576])120个卷积核，每个卷积核深度16，高宽为6，1666=576。我就是在这发现图标注错了的。这里有点不一样，就是没写成刚刚卷积操作的那种四个维度，而是显示的是两个维度，一个输出维度数，剩下的组成一个维度。
torch.Size([120])第一个全连接的120个偏置值。
torch.Size([84, 120])第二个全连接操作的卷积核，输入120，输出84，所以相当于84个卷积核，每个卷积核深度84，高宽都是1.
torch.Size([84])第二个全连接操作的84个偏置值。
torch.Size([10, 84])最后一个全连接操作，输入84，输出10，相当于10个卷积核，每个卷积核深度84，高宽都是1.
torch.Size([10])最后的10个偏置值。

现在，刚刚定义的这个模型的所有可学习参数都在上面列出来了。

小结

torch.Tensor：一个支持.backward()这类自动操作的多为数组，同时也保存tensor的梯度值。
nn.Module：神经网络模型，可以方便的压缩参数，放到GPU上，传递和加载参数等等。
nn.Parameter：是一个tensor，当它作为属性被分配给Module的时候，它就自动注册成一个参数了
autograd.Function：使autograd的前向后向操作的定义生效，每一个对于tensor的操作都会创建至少一个连接到创建tensor操作的Function节点，并且记录它的历史。

Loss Function损失函数
A loss function takes the (output, target) pair of inputs, and computes a value that estimates how far away the output is from the target.
There are several different loss functions under the nn package . A simple loss is: nn.MSELoss which computes the mean-squared error between the input and the target.
损失函数接收输出和真值作为它的输入，计算出output离目标真值差多少，nn包中有很多损失函数，MSE是其中一个。

output = net(input)
target = torch.randn(10)  # a dummy target, for example
target = target.view(1, -1)  # make it the same shape as output
criterion = nn.MSELoss()

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

如果你跟着loss的后向传播，用.grad_fn属性，你就可以看到像这样的计算图：

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
      -> view -> linear -> relu -> linear -> relu -> linear
      -> MSELoss
      -> loss

因此，当我们调用loss.vackward()，整个计算图开始计算梯度，所有requires_grad=True的tensor的.grad属性中都开始累计各自的梯度。

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 0x7f32f4af25c0>
<AddmmBackward object at 0x7f32f4af25f8>
<AccumulateGrad object at 0x7f32f4af25f8>

后向传播
开始后向传播，我们只需要loss.backward()。当然，我们也要将梯度清零，负责新计算的梯度就会累积在原来梯度上。
现在来看看conv1的bias的梯度在后向传播前后的变化：

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([-0.0068, -0.0244,  0.0278, -0.0142,  0.0111, -0.0078])

Update the weights更新权重参数值
最简单的方法是Stochastic Gradient Descent (SGD):随即梯度下降
weight = weight - learning_rate * gradient

learning_rate = 0.01
for f in net.parameters():
    f.data.sub_(f.grad.data * learning_rate)

但是想用不同的rules怎么办，于是就有了torch.optim包。

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