PyTorch 1.0 基础教程（3）：神经网络

神经网络

神经网络可以使用torch.nn工具包创建.
到现在，你已经了解过了autograd，nn依赖于autograd来定义模型，以及对模型计算内部相关张量的微分. 一个nn.Module包含一些层和一个用于返回输出的forward(input)方法.
例如，看看以下这个用于对图像中的数字进行分类的网络:

这是一个简单的前馈网络. 它将输入的图像通过一个紧接着一个的网络层后，最终得到输出.
一个经典额神经网络训练过程如下：

• 定义一个具有科学系参数（或权重） 的神经网络
• 遍历输入的数据集
• 通过网络处理输入
• 计算损失（预测值离真实值还有多远）
• 将梯度传播回网络的参数中
• 更新网络的权重，一个简单而经典的更新规则是：weight = weight - learning_rate * gradient

定义网络

定义网络如下：

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, 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 = F.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()[:] # all dimensions except the batch dimension
	num_features = 1
	for s in size:
		num_features *= s
	return num_features

net = Net()
print(net)

Out:

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(in_features=400, 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)
)

你仅需要定义forward函数，计算梯度的backfard函数会自动地使用autograd定义. 在forward函数中，你可以使用张量的任何操作.
net.parameters()可以将一个模型的可学习参数返回.

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

Out:

10
torch.Size([6, 1, 5, 5])

尝试输入一个随机的32x32的图像矩阵，这个网络（LeNet）的输入是32x32. 为了在MNIST数据集上使用这个网络，需要将数据集中的图像resize到32x32.

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

Out:

tensor([[-0.0746,  0.0580,  0.0221,  0.0362, -0.0902, -0.0801, -0.0604,  0.0067,
         -0.0524, -0.0660]], grad_fn=<AddmmBackward>)

将所有参数的梯度缓冲置零并用随机梯度进行反向传播：

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

提示：
torch.nn只支持mini-batches，整个torch.nn工具包只支持小批量样本这种输入格式，不支持单一的输入样本.
例如，nn.Conv2d以4维张量为输入：nSamples x nChannels x Height x Width
如果要输入一个单一的张量，只需要使用input.unsqueeze(0)去增加一个伪的批次维度.

经过上述的过程，我们重新简要的复习一下至今所遇到的类.
扼要重述：

• torch.Tensor – 支持自动梯度求导的多维数组，如backward(). 同时，其可以保留关于张量的梯度.
• nn.Module – 神经网络模型. 方便的封装参数的方法，具有将参数移动到GPU、导出、加载等功能.
• nn.Parameter – 张量的一种，当它作为一个属性分配给一个模块时，它会被自动注册为一个参数.
• autograd.Function – 实现一个自动求导操作的前向和反向定义. 每个Tensor操作至少创建一个Function节点，这个节点连接到创建张量的函数并对其历史进行编码.

在这节中，我们涵盖了：

• 定义一个神经网络
• 处理输入以及调用backward
  后续：
• 计算损失
• 更新网络的权重

损失函数

损失函数获取(output, target)对作为输入，并计算一个值，该值估计输出与目标之间的距离.
在nn包下有几个不同的损失函数. 一个简单的损失是nn.MSELoss. 它计算输入和目标之间的均方误差.
例如：

output = net(input)
target = torch.randn(10) # a dummy target, for example
target = target.view(1, -1)
criterion = nn.MSELoss()

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

Out:

tensor(2.2868, grad_fn=<MseLossBackward>)

现在，如果使用.grad_fn属性在反向跟踪loss，可以看到如下的计算图：

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

所以，当我们调用loss.backward()时，整个图被loss微分，图中所有requires_grad=True的张量都会有它们的.grad张量随着梯度累积.
作为例证，我们跟踪几步反向操作：

print(loss.grad_fn)
print(loss.grad_fn.next_function[0][0])
print(loss.grad_fn_function[0][0].next_functions[0][0])

Out:

<MseLossBackward object at 0x7f648c8c8b70>
<AddmmBackward object at 0x7f648c8c8be0>
<AccumulateGrad object at 0x7f648c8c8be0>

反向

使用反向传播我们只需要调用``. 首先需要已经存在的梯度，否则已经存在的梯度会累加.
现在我们会调用loss.backward()我们来看看反向传播前后conv1的bias的梯度.

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)

Out:

conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([-0.0333, -0.0031,  0.0122, -0.0403,  0.0307, -0.0171])

现在，我们已经看到了怎样取使用损失函数.
稍后：
神经网络包包含各种模块和损失函数，这些模块和损失函数构成了深度神经网络的构建模块。这里有完整的文档列表.
接下来要学习的是：

• 更新网路的权重

更新网络权重

在实践中最简单的更新权重的规则是随机梯度下降法（ Stochastic Gradient Descent ，SGD）：
weight = weight - learning_rate * gradient
我们可以通过以下简单的python代码实现它：

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

然而，由于要使用神经网络，我们要使用许多种不同的更新规则，如SGD， Nesterov-SGD， Adam， RMSProp等，为了达到目的，我们可以使用一个小巧的工具包：torch.optim，它实现了上述所有的方法，使用起来也很简单：

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

提示：
观察到梯度缓存必须使用optimizer.zero_grad()手动地置零，这是因为梯度会累加，正如反向节所说的那样

参考

pytorch官方网站