【one way的pytorch学习笔记】(五)构建基础神经网络LeNet

基础LeNet

定义网络

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, 3x3 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 3)
        self.conv2 = nn.Conv2d(6, 16, 3)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 6 * 6, 120)  # 6*6 from image dimension
        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 = 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
        num_features = 1
        for s in size:
            num_features *= s
        return num_features
        
net = Net()
print(net)

在pytorch中,通常来说,可以通过建立网络的class来实现(方法之一,个人比较推荐). 新建的网络继承nn.Module 基类.构建新的神经网络class的顺序:

1. 定义__init__(),并 super 父类(因为需要实例化父类中的参数)初始化相关的网络层,需要在__init__()中初始化的类型:

   1.一般来说将torch.nn中的相关层在init中初始化(),以torch.nn.Conv2d为例, 也就是说 torch.nn.Conv2d这种"函数"其实是个 Module类,在实例化类后会初始化2d卷积所需要的参数. 这些参数会在你做forward和 backward之后根据loss进行更新,所以通常存放在定义模型的 init() 中.

   2.torch.nn.functional 中所需要的初始化参数,需要在__init__()中定义

   具体细节请查看 Pytoch 中 torch.nn 与 torch.nn.functional 的区别

2. 定义forward():

   输入项为x, 定义forward的整个流程

3. 额外辅助函数

   可以加可以不加, 为了更好的进行forward,可以创建相关函数

4. 我们只需要定义forward函数,backward函数会自动根据autograd定义

可学习的参数记录可以通过 net.parameters()函数返回

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

10
torch.Size([6, 1, 3, 3])

用随机32x32tensor做输入,跑前向:

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

tensor([[-0.1564,  0.1191,  0.0464, -0.0260, -0.1250,  0.0476,  0.0177, -0.1471,
          0.0538,  0.0109]], grad_fn=)

将所有参数的.grad缓存全部置0用随机梯度做backpropagation

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

torch.nn 仅支持mini batch处理,不支持单个样本的处理,例如 nn.Conv2d需要的输入图像为4维 nSamples x nChannels x Height x Width,如果需要输入单张图片,需要 input.unsqueeze(0)升维

---

loss 函数

mean squared error

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)

tensor(0.8938, grad_fn=)

其实本质上,nn. 引导的loss functions也是一个类,和nn.Conv2D之类的layer层具有一样的父类Module,Module是一个可调类,本质上是通过 __ call__()来调用定义的forward().
另: 其实torch.nn.functional中的函数与torch.nn中最直接的区别是一个是函数,一个是类. 但是他们是有联系的, torch.nn往往是在forward()函数中调用torch.nn.functional来实现的.也就是说torch.nn相当于包装了的torch.nn.functional

loss 和其他layer 的操作是平级的,因为他们本质上是一致的,操作流程也是一致的. 因此完全可以把loss当成额外的一层"layer"(虽然它在结构上不属于layer,但在实现上是按照layer层的运行规则去实现的)

查看backward的graph就会看到

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

print(loss.grad_fn)  # MSELoss
print(loss.grad_fn.next_functions[0][0])  # Linear
print(loss.grad_fn.next_functions[0][0].next_functions[0][0])  # ReLU

---

Backprop

要想完成backpropagation,我们只需要用 loss.backward()这一句就行了.但是我们在每次操作前需要把现有的参数的grad清零,否则这些缓存的参数则会被累计到当前backward()后得到的梯度上.

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)

conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0012,  0.0053, -0.0044,  0.0030, -0.0081,  0.0011])

反向传播在代码上很简单,如果想要了解详细的 autograd过程和反向传播的流程机制,请参阅

1. one way的pytorch学习笔记(二)autograd自动求导
2. one way的pytorch学习笔记(三)leaf 叶子(张量)
3. one way的pytorch学习笔记(四)autograd的流程机制原理

---

更新参数

最简单的更新参数的方法为随机梯度下降(SGD):
$weight=weight-learnin{g}_{r}ate\ast gradient$
我们可以通过一下代码实现

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

如果想要用其他优化算法的话需要用到torch.optim包:

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