pytorch 官方文档-神经网络
神经网络的构建使用torch.nn模块.
nn依赖于autograd来定义模型.一个nn.Module包含了layers和forward()向前传播方法.
构造神经网络
import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 每层的输入和输出参数都是根据图片的尺寸来定的,记得还要考虑池化
# 池化和激活操作不算层数
self.conv1 = nn.Conv2d(1, 6, 5) # 第1层卷积层(输入是1通道,输出是6通道,核函数是5*5)
self.conv2 = nn.Conv2d(6, 16, 5) # 第2层卷积层(输入是6通道,输出是6通道,核函数是5*5)
self.fc1 = nn.Linear(16 * 5 * 5, 120) # 第3层,线性(输入是)
self.fc2 = nn.Linear(120, 84) # 第4层,线性
self.fc3 = nn.Linear(84, 10) # 第5层,线性
def forward(self, x):
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) # 池化,输入是32*32,->5*5卷积=28*28,->2*2池化=14*14
x = F.max_pool2d(F.relu(self.conv2(x)), 2) # 池化,输入是14*14,->5*5卷积=10*10,->2*2池化=5*5
x = x.view(-1, self.num_flat_features(x)) # 扁平化之后是16*5*5
x = F.relu(self.fc1(x)) # 线性变换并激活
x = F.relu(self.fc2(x)) # 线性变换并激活
x = self.fc3(x) # 线性变换未激活
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) # 查看神经网络结构
params = list(net.parameters())
print(len(params))
print(params[0].size()) # 查看第一层卷积的参数
向前和向后传播
# 构造一个32*32的数据
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
# 反向传播
net.zero_grad() # 清空梯度
out.backward(torch.randn(1, 10)) # 计算梯度
torch.nn只支持mini.batches,而不支持单个的样本.例如,nn.Conv2d将输入一个4维的Tensor(nSamplenChannelsheight*width).如果想要添加一维的数据则需要使用input.unsqueeze(0)来增加一个假的维度.
| 方法 | 描述 |
|---|---|
torch.Tensor |
多维的数组,支持自动求导方法,比如backward |
nn.Module |
神经网络模型,便捷的封装层 |
nn.Parameter |
一种Tensor,做为神经网络模型的参数 |
autograd.Function |
实现了向前和向后传播. |
计算损失函数
损失函数需要(output,target)两个参数.有很多计算方法被集成在nn模块里,比如nn.MSELoss
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)
向后传播
我们需要清空已经存在的梯度,否则梯度会累加
我们运行loss.backward()函数,来看一下第一层卷积的梯度变化.
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)
更新权重
更新权重的公示是
权重=权重-学习速率*梯度
我们可以这样实现:
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)
然而我们可能希望不同的方法来更新,比如SGD,Nesterov-SGD,Adam,RMSProp等,所以pytorch做了一个torch.optim来实现这些.
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.01)
optimizer.zero_grad() # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step()
参考文献:
https://pytorch.apachecn.org/#/docs/4
https://pytorch.org/tutorials/beginner/blitz/neural_networks_tutorial.html#sphx-glr-beginner-blitz-neural-networks-tutorial-py