PyTorch基础教程（七）torch.nn 模块（3）

目录

一、激活函数

二、循环层

三、全连接层

---

一、激活函数

        在 PyTorch 中，提供了十几种激活函数层所对应的类，但常用的激活函数通常为 S型（Sigmoid）激活函数、双曲正切（Tanh）激活函数、线性修正单元（ReLU）激活函数等。

表 1-1 PyTorch 中常用的激活函数操作

层对应的类	功能
torch.nn.Sigmoid	Sigmoid激活函数
torch.nn.Tanh	Tanh激活函数
torch.nn.ReLU	ReLU激活函数
torch.nn.Softplus	Softplus激活函数

 ① torch.nn.Sigmoid ( ) 对应的 Sigmoid激活函数 ，也叫 logistic激活函数，计算公式为：

        其输出是在（0,1）这个开区间内。该函数在神经网络早期也是很常用的激活函数之一，但是当输入远离坐标原点时，函数的梯度就变得很小，几乎为零，所以会影响参数的更新速度。

② torch.nn.Tanh ( ) 对应的双曲正切函数，计算公式为：

        其输出区间是在（-1,1）之间，整个函数是以0为中心，虽然 Tanh 函数曲线和 Sigmoid 函数的曲线形状比较相近，在输入很大或很小时，梯度很小，不利于权重更新，但由于 Tanh 的取值输出以0对称，使用的效果会比 Sigmoid 好很多。

③ torch.nn.ReLU ( ) 对应的 ReLU函数 又叫修正线性单元，计算方式为：

        ReLU 函数只保留大于0的输出，其他输出则会设置为 0 。在输入正数的时候，不存在梯度饱和的问题。计算速度相对于其他类型激活函数要快很多，而且 ReLU 函数只有线性关系，所以不管是前向传播还是反向传播，速度都很快。

④ torch.nn.Softplus ( ) 对应的平滑近似 ReLU的激活函数，其计算公式为：

        默认取值为1。该函数对任意位置都可计算导数，而且尽可能地保留了 ReLU 激活函数的优点。
        以下使用 PyTorch 中的激活函数可视化上面介绍的几种激活函数的图像，程序如下所示：

import torch 
import torch.nn as nn
import matplotlib.pyplot as plt

x = torch.linspace(-6,6,100)

sigmoid = nn.Sigmoid() #Sigmoid激活函数
ysigmoid = sigmoid(x)

tanh = nn.Tanh() #Tanh激活函数
ytanh = tanh(x)

relu = nn.ReLU() #ReLU激活函数
yrelu = relu(x)

softplus = nn.Softplus() #Softplus激活函数
ysoftplus = softplus(x)

plt.figure(figsize=(14,3)) #可视化激活函数

plt.subplot(1,4,1)
plt.plot(x.data.numpy(), ysigmoid.data.numpy(),"r-")
plt.title('sigmoid')
plt.grid()

plt.subplot(1,4,2)
plt.plot(x.data.numpy(), ytanh.data.numpy(),"r-")
plt.title('Tanh')
plt.grid()

plt.subplot(1,4,3)
plt.plot(x.data.numpy(), yrelu.data.numpy(),"r-")
plt.title('ReLU')
plt.grid()

plt.subplot(1,4,4)
plt.plot(x.data.numpy(), ysoftplus.data.numpy(),"r-")
plt.title('Softplus')
plt.grid()

图 1-1 激活函数的图像 

---

二、循环层

        在 PyTorch 中，提供了三种循环层，如 表2-1 所示。

表 2-1 循环层对应的类与功能

层对应的类	功能
torch.nn.RNN ( )	多层 RNN 单元
torch.nn.LSTM ( )	多层长短期记忆 LSTM 单元
torch.nn.GRU ( )	多层门限循环 GRU 单元
torch.nn.RNNCell ( )	一个 RNN 循环层单元
torch.nn.LSTMCell ( )	一个长短期记忆 LSTM 单元
torch.nn.GRUCell ( )	一个门限循环 GRU 单元

        下面以 torch.nn.RNN ( ) 输入一个多层的 Elman RNN 进行学习，激活函数可以使用 tanh 或者 ReLU。对于输入序列中的每个元素，RNN 每层的计算公式为：

         是时刻 t 的隐状态。 是上一层时刻 t 的隐状态，或者是第一层在时刻 t 的输入。若 nonlinearity = relu，则使用 ReLU 函数代替 tanh 函数作为激活函数。

        下面以 torch.nn.RNN ( ) 为例，介绍循环层的参数、输入和输出：

        参数说明如下：

        input_size : 输入 x 的特征数量。

        hidden_size : 隐层的特征数量。

        num_layers : RNN网络 的层数。

        nonlinearity : 指定非线性函数使用 tanh 还是 relu ，默认是 tanh。

        bias ：如果是 False，那么 RNN层 就不会使用偏置权重，默认是 True 。

        batch_first :如果是 True，那么输入和输出的 shape 应该是[batch_size,time_step,feature]。

        dropout : 如果值非零，那么除了最后一层外，其他 RNN层 的输出都会套上一个 dropout层 ，默认为 0 。

        bidirectional : 如果是 True ，将会变成一个 双向RNN ，默认是 False 。

         RNN 的输入为 input 和  h_0 ,其中 input 是一个形状为 (seq_len,batch,input_size) 的张量。 h_0 则是一个形状为 (num_layers × num_directions,batch,hidden_size) 保存着初始隐状态的张量。如果不提供就默认为 0 。如果是双向 RNN ，num_directions 等于 2 ，否则等于 1 。

        RNN 的输出为 output 和 h_n ，其中：

        output  是一个形状为 (seq_len,batch,hidden_size × num_directions) 的张量，保存着 RNN 最后一层的输出特征。如果输入是被填充过的序列，那么输出也是被填充过的序列。

        h_n 是一个形状为 (num_layers × num_directions,batch,hidden_size) 的张量，保存着最后一个时刻的隐状态。

        在后面的循环神经网络内容中会以具体的实例，介绍循环神经网络的建立和应用。

---

三、全连接层

        通常所说的全连接层是指一个由多个神经元所组成的层，其所有的输出和该层的所有输入都有连接，即每个输入都会影响所有神经元的输出。在 PyTorch 中的 nn.Linear ( ) 表示线性变换，全连接层可以看做是 nn.Linear ( ) 表示线性变层再加上一个激活函数层所构成的结构。

        nn.Linear ( ) 全连接操作及相关参数如下：

        torch.nn.Linear (in_features,out_features,bias = True)

        参数说明如下：

        in_features : 每个输入样本的特征数量。

        out_features : 每个输出样本的特征数量。

        bias ：若设置为 False ，则该层不会学习偏置。默认值为 True 。

        torch.nn.Linear ( ) 的输入为 (N,in_features) 的张量，输出为 (N,out_features ) 的张量。

        全连接层的应用范围非常广泛，只有全连接层组成的网络是全连接神经网络，可用于数据的分类或回归预测，卷积神经网络和循环神经网络的末端，通常会由多个全连接层组成。
 

最新动态，请关注微信公众号：回不去的明天