pytorch学习（一）：搭建神经网络

pytorch搭建神经网络

torch.nn 只支持小批量输入。整个 torch.nn 包都只支持小批量样本，而不支持单个样本。 例如，nn.Conv2d 接受一个4维的张量， 每一维分别是sSamples * nChannels * Height * Width（样本数*通道数*高*宽）。 如果你有单个样本，只需使用 input.unsqueeze(0) 来添加其它的维数

torch.Tensor:一个用于自动调用backward()实现自动梯度计算的多维数组，并且保存关于这个相对梯度。
nn.Module:神经网络模块。封装参数，移动到GPU运行，导出，加载等。
nn.Parameter:一种变量，输出Module中的参数
autograd.Function:实现一个自动求导操作的前向和反向定义，每个变量操作至少创建一个函数节点，每一个Tensor的操作都回创建一个接到创建Tensor和 编码其历史 的函数的Function节点。

说明1

：class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

in_channels是输入的通道大小，out_channels是输出通道大小，kernel_size是卷积核的大小，stride步长，卷积时移动距离，padding卷积操作否补0

输入为：（N,$C_{in}$,H,W）N表示Batchsize,$C_{in}$表示输入的通道数，H，W表示输入特征图的高和宽

输出：（N,$C_{out}$,$H_{out}$,$W_{out}$）$C_{out}$表示out_channels，

说明2

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

设置网络中的全连接层，全连接层的输入，输出都是二维张量，一般形状为[batch_size,size],不同卷积层要求输入输出是四维张量

in_features指输入的[batchsize,size]中的size,out_features输出张量的大小也代表了全连接层神经元的个数

说明3

神经网络的典型训练过程如下：

1，定义神经网络模型

2，在数据集上迭代

3.通过神经网络处理输入

4，计算损失函数

5，梯度回传

6，更新网络参数

nn.Module搭建神经网络

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, 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)

#在模型中必须定义forwarded函数，backward函数（用来计算梯度）会被autograd自动创建
    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,[16,5,5]
        num_features = 1
        for s in size:
            num_features *= s
        return num_features


net = Net()
print(net)

神经网络输入

#net.parameters（）返回可被学习的参数（权重）列表和值
params=list(net.parameters())
print(len(params))
print(params[0].size())#conv1权重
#10
#torch.Size([6, 1, 5, 5])
#测试随机输入32×32。 注：这个网络（LeNet）期望的输入大小是32×32，如果使用MNIST数据集来训练这个网络，请把图片大小重新调整到32×32。
input=torch.randn(1,1,32,32)
out=net(input)
print(out)
#tensor([[ 0.0869, -0.0462, -0.0284,  0.0485, -0.1443,  0.0102, -0.1023,  0.0769,
          0.0384, -0.0479]], grad_fn=<AddmmBackward>)
          

损失函数

一个损失函数接受一对（output,target）作为输入，用于计算网络的输出与目标值的差距。

output = net(input)
target = torch.randn(10) # 随机值作为样例
target = target.view(1, -1) # 使target和output的shape相同
criterion = nn.MSELoss()

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

tensor(0.8109, grad_fn=<MseLossBackward>)

计算图过程

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

当调用loss.backward()时，整个计算图都会根据loss进行微分，而图中所有设置维requires_grad=True的张量将会拥有一个随着梯度累计的.grad张量

反向传播

调用loss.backward（）实现反向传播

调用前需要清楚已存在的梯度，否则会被加到已存在的梯度

net.zero_grad()     # 清除梯度

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0051, 0.0042, 0.0026, 0.0152, -0.0040, -0.0036])

更新网络权重

PyTorch中构建了一个包torch.optim实现了所有的这些规则

其中，最简单的权重更新规则是随机梯度下降（SGD）：

weight = weight - learning_rate * gradient

weight = weight - learning_rate * gradient

参考：

pytorch_handbook