Pytorch入门——神经网络
上一篇博客对Pytorch包中的变量和梯度有了初步了解，接下来进入正题——用Pytorch中的torch.nn包实现神经网络。
1.Pytorch实现神经网络的典型训练过程
在这里以Lenet模型为例，由两个卷积层，两个池化层，以及两个全连接层组成。 卷积核大小为5*5，stride为1，采用MAX池化。以该网络分类数字图像为例：
Pytorch实现神经网络的典型训练过程如下：
- 定义具有一些可学习参数（权重）的神经网络
- 迭代输入数据
- 通过网络处理输入
- 计算损失
- 将梯度传播回到网络参数中
- 使用梯度下降更新网络权重，
weight = weight - learning_rate * gradient
2.定义网络
Lenet模型的Pytorch代码如下：
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)
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=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear (400 -> 120)
(fc2): Linear (120 -> 84)
(fc3): Linear (84 -> 10)
)只需定义forward函数，并backward自动使用函数autograd，可以在forward功能中使用任何Tensor操作。
用net.parameters()返回模型学习的参数
params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1's .weight输出
10
(6L, 1L, 5L, 5L)前向传播的输入输出都是autograd.Variable
input = Variable(torch.randn(1, 1, 32, 32))
out = net(input)
print(out)输出
Variable containing:
0.0809 0.0700 0.0478 -0.0280 -0.0281 0.1334 -0.0481 0.0195 -0.0522 0.1430
[torch.FloatTensor of size 1x10]将随机梯度的所有参数和backprops的梯度缓冲区置零：
net.zero_grad()
out.backward(torch.randn(1, 10))注意：torch.nn仅支持mini-batch，整个torch.nn软件包仅支持输入，这些输入是小批量样品，而不是单个样品。例如，nn.Conv2d将采用nSamples x nChannels x Height x Width的4D Tensor。如果有一个样本，只需使用input.unsqueeze（0）来添加假批量维。
3.损失函数
损失函数采用（输出，目标）输入对，并计算估计输出距离目标距离的值。nn包下有几种不同的损失函数，具体参考官网提供的损失函数说明。一个简单的损失是:nn.MSELoss，用于计算输入和目标之间的平均平方误差。
例如
output = net(input)
target = Variable(torch.arange(1, 11)) # a dummy target, for example
criterion = nn.MSELoss()
loss = criterion(output, target)
print(loss)输出
Variable containing:
38.1674
[torch.FloatTensor of size 1]4.反向传播
要反向传播误差，只需要用loss.backward()，需要清除现有的梯度，否则渐变将累积到现有的梯度。
如下调用loss.backward（），并且看看在conv1之前和之后的conv1的偏差梯度。
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)输出
conv1.bias.grad before backward
Variable containing:
0
0
0
0
0
0
[torch.FloatTensor of size 6]
conv1.bias.grad after backward
Variable containing:
-0.1000
0.0343
-0.1194
-0.0136
-0.0767
0.0224
[torch.FloatTensor of size 6]神经网络包包含形成深层神经网络、构建模块的各种模块和损失函数，官网提供一个完整的文档列表。
5.权重更新
实现中使用的最简单的更新规则是随机梯度下降（SGD）：
weight = weight - learning_rate * gradient
用python具体实现如下:
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)torch.optim提供了很多种更新方法，如SGD、nesterov - SGD、Adam、RMSProp等，使用起来很简单，如下：
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