3.0 神经网络 - PyTorch学习笔记

神经网络 (NEURAL NETWORK)

神经网络可以通过 torch.nn 包来构建

上节课已经学习了 autograd ，nn 是在 autograd 的基础上定义和区分模型。一个 nn.Module 包含了层，和一个 forward(input) 来返回 output 。

以典型 LetNet-5 网络举例：

这是一个简单的前馈（feed-forward）网络。具有输入，将输入馈送到一层接一层，最后输出。

结构详解参考：Fly~~~

一个典型的神经网络训练过程包含以下几个方面：

• 定义神经网络的学习参数
• 迭代输入数据
• 通过网络处理输入数据
• 计算损失函数，也就是输出距离整理的距离
• 传递梯度反馈到网络的参数
• 更新网络的参数，典型更新规则是 weight = weight - learning_rate * gradient

定义网络 (Define the network)

让我们定义这个网络

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)

输出：

Net(
  (conv1): Conv2d(1, 6, kernel_size=(3, 3), stride=(1, 1))
  (conv2): Conv2d(6, 16, kernel_size=(3, 3), stride=(1, 1))
  (fc1): Linear(in_features=576, out_features=120, bias=True)
  (fc2): Linear(in_features=120, out_features=84, bias=True)
  (fc3): Linear(in_features=84, out_features=10, bias=True)
)