Pytorch 神经网络工具箱
文章目录
本文章代码: gitee
1、神经网络核心组件
-
神经网络看起来很复杂,节点很多,层数多,参数更多。但核心部分或组件不多,把这些组件确定后,这个神经网络基本就确定了。这些核心组件包括:
- 层:神经网络的基本结构,将输入张量转换为输出张量;
- 模型:层构成的网络;
- 损失函数:参数学习的目标函数,通过最小化损失函数来学习各种参数;
- 优化器:如何是损失函数最小,这就涉及到优化器。
-
多个层链接在一起构成一个模型或网络,
输入数据通过这个模型转换为预测值,然后**损失函数把预测值与真实值进行比较,得到损失值**(损失值可以是距离、概率值等),该损失值用于衡量预测值与目标结果的匹配或相似程度,
优化器利用损失值更新权重参数,从而使损失值越来越小。这是一个循环过程,损失值达到一个阀值或循环次数到达指定次数,循环结束。
2、实现神经网络实例
使用 Pytorch 构建神经网络使用的主要工具(或类)及相互关系:
3、如何构建神经网络?
关键就是选择网络层,构建网络,然后选择损失函数和优化器。在 nn 工具箱中,可以直接引用的网络很多,有全连接层、卷积层、循环层、正则化层、激活层等等。假设这些层都定义好了,接下来就是如何组织或构建这些层?
3.1、构建网络层
- 采用 torch.nn.Sequential()来构建网络层,这个有点类似 Keras 的 models.Sequential(),使用起来就像搭积木一样,非常方便。不过,这种方法每层的编码是默认的数字,不易区分;
- 如果要对每层定义一个名称,我们可以采用 Sequential 的一种改进方法,在 Sequential 的基础上,通过add_module() 添加每一层,并且为每一层增加一个单独的名字;
- 还可以在 Sequential 基础上,通过字典的形式添加每一层,并且设置单独的层名称。
class Net(torch.nn.Module):
def __init__(self):
super(Net4, self).__init__()
self.conv = torch.nn.Sequential(
OrderedDict(
[
("conv1", torch.nn.Conv2d(3, 32, 3, 1, 1)),
("relu1", torch.nn.ReLU()),
("pool", torch.nn.MaxPool2d(2))
]
))
self.dense = torch.nn.Sequential(
OrderedDict([
("dense1", torch.nn.Linear(32 * 3 * 3, 128)),
("relu2", torch.nn.ReLU()),
("dense2", torch.nn.Linear(128, 10))
])
)
3.2、前向传播
定义好每层后,最后还需要通过前向传播的方式把这些串起来。这就是涉及如何定义 forward 函数的问题:
-
forward 函数的任务需要把输入层、网络层、输出层链接起来,实现信息的前向传导;
-
该函数的参数一般为输入数据,返回值为输出数据;
-
在 forward 函数中,有些层来自 nn.Module,也可以使用 nn.functional 定义:
来自 nn.Module 的需要实例化,而使用 nn.functional 定义的可以直接使用。
3.3、反向传播
前向传播函数定义好以后,接下来就是梯度的反向传播:
- Pytorch 提供了自动反向传播的功能,使用 nn 工具箱,我们无需自己编写反向传播,直接让损失函数(loss)调用 backward() 即可,非常方便和高效!
- 在反向传播过程中,优化器是一个重要角色。
3.4、训练模型
层、模型、损失函数和优化器等都定义或创建好,接下来就是训练模型:
-
训练模型时需要注意使模型处于训练模式,即调用 model.train()。调用 model.train() 会把所有的 module 设置为训练模式;
如果是测试或验证阶段,需要使模型处于验证阶段,即调用 model.eval()。调用 model.eval() 会把所有的 training 属性设置为 False;
-
缺省情况下梯度是累加的,需要手工把梯度初始化或清零,调用 optimizer.zero_grad() 即可;
训练过程中,正向传播生成网络的输出,计算输出和实际值之间的损失值,
调用 loss.backward() 自动生成梯度,然后使用 optimizer.step() 执行优化器,把梯度传播回每个网络;
-
如果希望用 GPU 训练,需要把模型、训练数据、测试数据发送到 GPU 上,即调用 .to(device)。
如果需要使用多 GPU 进行处理,可使模型或相关数据引用 nn.DataParallel。
4、神经网络工具箱 nn
-
使用 autograd 及 Tensor 实现机器学习实例时,需要做不少设置,如对叶子节点的参数 requires_grad 设置为 True,然后调用 backward,再从 grad 属性中提取梯度,
对于大规模的网络,autograd 太过于底层和繁琐。为了简单、有效解决这个问题,nn 是一个有效工具。
4.1、nn.Module
-
它是专门为深度学习设计的一个模块,而 nn.Module 是 nn 的一个核心数据结构:
nn.Module 可以是神经网络的某个层(layer),也可以是包含多层的神经网络,
在实际使用中,最常见的做法是继承 nn.Module,生成自己的网络/层,
nn 中已实现了绝大多数层,包括全连接层、损失层、激活层、卷积层、循环层等等,这些层都是 nn.Module 的子类,能够自动检测到自己的 Parameter,并将其作为学习参数,且针对 GPU 运行进行了 CuDNN 优化。
4.2、nn.functional
-
nn 中的层,一类是继承了 nn.Module,其命名一般为 nn.Xxx(第一个是大写),
如 nn.Linear、nn.Conv2d、nn.CrossEntropyLoss 等。
另一类是 nn.functional 中的函数,
其名称一般为 nn.funtional.xxx,如 nn.funtional.linear、nn.funtional.conv2d、nn.funtional.cross_entropy 等。
-
从功能来说两者相当,基于 nn.Mudle 能实现的层,使用 nn.funtional 也可实现,反之亦然,而且性能方面两者也没有太大差异。不过在具体使用时,两者还是有区别,主要区别如下:
- nn.Xxx 继承于 nn.Module,nn.Xxx 需要先实例化并传入参数,然后以函数调用的方式调用实例化的对象并传入输入数据。它能够很好的与 nn.Sequential 结合使用,而 nn.functional.xxx 无法与 nn.Sequential 结合使用;
- nn.Xxx 不需要自己定义和管理 weight、bias 参数;而 nn.functional.xxx 需要你自己定义 weight、bias,每次调用的时候都需要手动传入 weight、bias 等参数, 不利于代码复用;
- dropout 操作在训练和测试阶段是有区别的,使用 nn.Xxx 方式定义 dropout,在调用 model.eval() 之后,自动实现状态的转换,而使用 nn.functional.xxx 却无此功能。
具有学习参数的(例如,conv2d, linear, batch_norm)采用 nn.Xxx 方式。
没有学习参数的(例如,maxpool, loss func, activation func)等根据个人选择使用 nn.functional.xxx 或者 nn.Xxx 方式。
5、优化器
- Pytoch 常用的优化方法都封装在 torch.optim 里面,其设计很灵活,可以扩展为自定义的优化方法。所有的优化方法都是继承了基类 optim.Optimizer。并实现了自己的优化步骤。
5.1、使用优化器的一般步骤
-
建立优化器实例
导入 optim 模块,实例化 SGD 优化器,这里使用动量参数 momentum(该值一般在(0,1)之间),是 SGD 的改进版,效果一般比不使用动量规则的要好:
import torch.optim as optim optimizer = optim.SGD(model.parameters(), lr=lr, momentum=momentum)
以下步骤在训练模型的 for 循环中:
-
向前传播
把输入数据传入神经网络 Net 实例化对象 model 中,自动执行 forward 函数,得到 out 输出值,然后用 out 与标记 label 计算损失值 loss:
out = model(img) loss = criterion(out, label)
-
清空梯度
缺省情况梯度是累加的,在梯度反向传播前,先需把梯度清零。
optimizer.zero_grad()
-
反向传播
基于损失值,把梯度进行反向传播。
loss.backward()
-
更新参数
基于当前梯度(存储在参数的 .grad 属性中)更新参数。
optimizer.step()
5.2、动态修改学习率参数
-
修改参数的方式可以通过修改参数 optimizer.params_groups 或新建 optimizer。
新建 optimizer 比较简单,optimizer 十分轻量级,所以开销很小。但是新的优化器会初始化动量等状态信息,这对于使用动量的优化器(momentum 参数的 sgd)可能会造成收敛中的震荡。所以,这里我们采用直接修改参数optimizer.params_groups。
optimizer.param_groups:长度 1 的 list,
optimizer.param_groups[0]:长度为 6 的字典,包括权重参数,lr,momentum 等参数。
for epoch in range(num_epoches):
#动态修改参数学习率
if epoch%5==0:
optimizer.param_groups[0]['lr']*=0.1
print(optimizer.param_groups[0]['lr'])
5.3、优化器比较
-
导入需要的模块
import torch import torch.utils.data as Data import torch.nn.functional as F import matplotlib.pyplot as plt %matplotlib inline # 超参数 LR = 0.01 BATCH_SIZE = 32 EPOCH = 12
-
生成数据
# 生成训练数据 # torch.unsqueeze() 的作用是将一维变二维,torch只能处理二维的数据 x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1) # 0.1 * torch.normal(x.size())增加噪点 y = x.pow(2) + 0.1 * torch.normal(torch.zeros(*x.size())) torch_dataset = Data.TensorDataset(x,y) #得到一个代批量的生成器 loader = Data.DataLoader(dataset=torch_dataset, batch_size=BATCH_SIZE, shuffle=True)
-
构建神经网络
class Net(torch.nn.Module): # 初始化 def __init__(self): super(Net, self).__init__() self.hidden = torch.nn.Linear(1, 20) self.predict = torch.nn.Linear(20, 1) # 前向传递 def forward(self, x): x = F.relu(self.hidden(x)) x = self.predict(x) return x
-
使用多种优化器
net_SGD = Net() net_Momentum = Net() net_RMSProp = Net() net_Adam = Net() nets = [net_SGD, net_Momentum, net_RMSProp, net_Adam] opt_SGD = torch.optim.SGD(net_SGD.parameters(), lr=LR) opt_Momentum = torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.9) opt_RMSProp = torch.optim.RMSprop(net_RMSProp.parameters(), lr=LR, alpha=0.9) opt_Adam = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99)) optimizers = [opt_SGD, opt_Momentum, opt_RMSProp, opt_Adam]
-
训练模型
loss_func = torch.nn.MSELoss() loss_his = [[], [], [], []] # 记录损失 for epoch in range(EPOCH): for step, (batch_x, batch_y) in enumerate(loader): for net, opt,l_his in zip(nets, optimizers, loss_his): output = net(batch_x) # get output for every net loss = loss_func(output, batch_y) # compute loss for every net opt.zero_grad() # clear gradients for next train loss.backward() # backpropagation, compute gradients opt.step() # apply gradients l_his.append(loss.data.numpy()) # loss recoder labels = ['SGD', 'Momentum', 'RMSprop', 'Adam']
-
可视化结果
for i, l_his in enumerate(loss_his): plt.plot(l_his, label=labels[i]) plt.legend(loc='best') plt.xlabel('Steps') plt.ylabel('Loss') plt.ylim((0, 0.2)) plt.show()
6、手写数字识别案例
-
利用 Pytorch 内置函数 mnist 下载数据;
导包:
import numpy as np import torch # 导入 pytorch 内置的 mnist 数据 from torchvision.datasets import mnist #导入预处理模块 import torchvision.transforms as transforms from torch.utils.data import DataLoader #导入nn及优化器 import torch.nn.functional as F import torch.optim as optim from torch import nn import matplotlib.pyplot as plt
定义一些超参数:
# 定义一些超参数 train_batch_size = 64 test_batch_size = 128 learning_rate = 0.01 num_epoches = 20 lr = 0.01 momentum = 0.5
下载数据:
#定义预处理函数,这些预处理依次放在Compose函数中。 transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize([0.5], [0.5])]) #下载数据,并对数据进行预处理 train_dataset = mnist.MNIST('G:\\work\\coding\\python\\pytorch\\data\\MNIST\\raw', train=True, transform=transform, download=True) test_dataset = mnist.MNIST('G:\\work\\coding\\python\\pytorch\\data\\MNIST\\raw', train=False, transform=transform)
-
transforms.Compose 可以把一些转换函数组合在一起;
-
Normalize([0.5], [0.5]) 对张量进行归一化,这里两个 0.5 分别表示对张量进行归一化的全局平均值和方差。
因图像是灰色的只有一个通道,如果有多个通道,需要有多个数字,如三个通道,应该是 Normalize([m1,m2,m3], [n1,n2,n3])
-
download 参数控制是否需要下载,如果 G:\work\coding\python\pytorch\data\MNIST\raw 目录下已有 MNIST,可选择 False;
-
用 DataLoader 得到生成器,这可节省内存。
-
-
利用 torchvision 对数据进行预处理,调用 torch.utils 建立一个数据迭代器;
#Dataloader是一个可迭代对象,可以使用迭代器一样使用。 train_loader = DataLoader(train_dataset, batch_size=train_batch_size, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=test_batch_size, shuffle=False)
-
可视化源数据;
examples = enumerate(test_loader) batch_idx, (example_data, example_targets) = next(examples) fig = plt.figure() for i in range(6): plt.subplot(2,3,i+1) plt.tight_layout() plt.imshow(example_data[i][0], cmap='gray', interpolation='none') plt.title("Ground Truth: {}".format(example_targets[i])) plt.xticks([]) plt.yticks([])
-
利用 nn 工具箱构建神经网络模型;
神经网络的结构如下:
class Net(nn.Module): """ 使用sequential构建网络,Sequential()函数的功能是将网络的层组合到一起 """ def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim): super(Net, self).__init__() self.layer1 = nn.Sequential(nn.Linear(in_dim, n_hidden_1),nn.BatchNorm1d(n_hidden_1)) self.layer2 = nn.Sequential(nn.Linear(n_hidden_1, n_hidden_2),nn.BatchNorm1d(n_hidden_2)) self.layer3 = nn.Sequential(nn.Linear(n_hidden_2, out_dim)) def forward(self, x): x = F.relu(self.layer1(x)) x = F.relu(self.layer2(x)) x = self.layer3(x) return x
-
实例化模型,并定义损失函数及优化器;
#检测是否有可用的GPU,有则使用,否则使用CPU device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") #实例化网络 model = Net(28 * 28, 300, 100, 10) model.to(device) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=lr, momentum=momentum)
-
训练模型;
# 开始训练 losses = [] acces = [] eval_losses = [] eval_acces = [] for epoch in range(num_epoches): train_loss = 0 train_acc = 0 model.train() #动态修改参数学习率 if epoch%5==0: optimizer.param_groups[0]['lr']*=0.1 for img, label in train_loader: img=img.to(device) label = label.to(device) img = img.view(img.size(0), -1) # 前向传播 out = model(img) loss = criterion(out, label) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() # 记录误差 train_loss += loss.item() # 计算分类的准确率 _, pred = out.max(1) num_correct = (pred == label).sum().item() acc = num_correct / img.shape[0] train_acc += acc losses.append(train_loss / len(train_loader)) acces.append(train_acc / len(train_loader)) # 在测试集上检验效果 eval_loss = 0 eval_acc = 0 # 将模型改为预测模式 model.eval() for img, label in test_loader: img=img.to(device) label = label.to(device) img = img.view(img.size(0), -1) out = model(img) loss = criterion(out, label) # 记录误差 eval_loss += loss.item() # 记录准确率 _, pred = out.max(1) num_correct = (pred == label).sum().item() acc = num_correct / img.shape[0] eval_acc += acc eval_losses.append(eval_loss / len(test_loader)) eval_acces.append(eval_acc / len(test_loader)) print('epoch: {}, Train Loss: {:.4f}, Train Acc: {:.4f}, Test Loss: {:.4f}, Test Acc: {:.4f}' .format(epoch, train_loss / len(train_loader), train_acc / len(train_loader), eval_loss / len(test_loader), eval_acc / len(test_loader)))
-
可视化结果。
plt.title('train loss') plt.plot(np.arange(len(losses)), losses) plt.legend(['Train Loss'], loc='upper right')