PyTorch学习笔记5—PyTorch深度学习入门（三）—神经网络

本篇是pytorch学习笔记系列第五篇，这一系列博客应该大多会来自于开源教程书：pytorch中文手册（pytorch handbook），其github网址为：https://github.com/zergtant/pytorch-handbook 本篇博客内容来自于这一手册以及pytorch官方的教程 ，感兴趣的观众门可以去自行下载

3. 神经网络

使用torch.nn包来构建神经网络.

上一节已经讲过了autograd，而nn包依赖autograd包来定义模型并求导，一个nn.Module包含各个层和一个forward(input)方法,该方法返回output。

神经网络的典型训练过程如下:

1. 定义包含一些可学习的参数(或者叫权重)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(输出结果和正确值的差值大小)；
5. 将梯度反向传播会网络的参数;
6. 更新网络的参数,主要使用如下简单的更新原则: weight = weight -learning_rate * gradient

3.1 定义神经网络模型

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)

    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)

输出结果：

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(in_features=400, 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)
)

注意：在神经网络模型中必须要手动定义 forward 函数，可以在 forward 函数中使用任何针对 Tensor 的操作；而backward 函数 (用来计算梯度) 会被autograd自动创建.

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's .weight

计算结果

10
torch.Size([6, 1, 5, 5])

然后测试随机向网络中输入 32x32，输出得出结果。

注:这个网络(LeNet)期望的输入大小是3232.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3232.

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

tensor([[-0.0204, -0.0268, -0.0829,  0.1420, -0.0192,  0.1848,  0.0723, -0.0393,
         -0.0275,  0.0867]], grad_fn=<ThAddmmBackward>)

然后将所有参数的梯度缓存清零，再进行随机梯度的的反向传播:

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

Note

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)..

如果你只有单个样本,只需使用 input.unsqueeze(0) 来添加其它的维度

在继续之前,我们回顾一下到目前为止用到的类：
1、 torch.Tensor - 一个用过自动调用 backward()实现支持自动梯度计算的多维数组 . 并且 保存关于这个向量的梯度
2、nn.Module - 神经网络模块.封装参数,移动到GPU上运行,导出,加载等.
3、nn.Parameter - 一种变量,当把它赋值给一个Module时,被自动的注册为一个参数.
4、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.

重点如下:
1、定义一个网络
2、处理输入，调用backword

还剩:
1、计算损失
2、更新网络权重

3.2 损失函数

一个损失函数接受一对(output, target)作为输入,计算一个值来估计网络的输出和目标值相差多少.

注：output为网络的输出,target为实际值

nn包中有很多不同的损失函数 https://pytorch.org/docs/nn.html#loss-functions，其中nn.MSELoss是一个比较简单的，他计算输出和目标的均方误差 例如:

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)

输出结果

tensor(1.3172, grad_fn=<MseLossBackward>)

此时如果我们跟踪loss变量，查看他的grad_fn属性，你将会看到以下结构：

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

所以，当调用loss.backward()函数后，整个图requires_grad=True的节点的梯度将会从loss开始反过来被更新

我们可以输出以下信息来看看情况：

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

更多的损失函数使用可前往官网查看，包含了各种用来构成深度神经网络构建块的模块和损失函数

3.3 反向传播

调用loss.backward()获得反向传播的误差.
但是在调用前需要清除已存在的梯度,否则梯度将被累加到已存在的梯度.
现在,我们将调用loss.backward(),并查看conv1层的偏差(bias)项在反向传播前后的梯度.

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)

输出结果：

conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0074, -0.0249, -0.0107,  0.0326, -0.0017, -0.0059])

3.4 更新权重

在实践中最简单的权重更新规则是随机梯度下降 (SGD):

weight = weight - learning_rate * gradient

我们可以使用简单的Python代码实现这个规则:

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

但是还存在着其他各种不同的更新规则,比如SGD,Nesterov-SGD,Adam, RMSPROP等。所以在PyTorch中有了一个包torch.optim实现了所有的这些规则，使用他们非常简单，如下例：

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

本篇完…

本系列已更新的学习笔记：
PyTorch学习笔记1—PyTorch简介
PyTorch学习笔记2—win10下pytorch-gpu安装以及CUDA安装记录
PyTorch学习笔记3—PyTorch深度学习入门（一）—基本方法
PyTorch学习笔记4—PyTorch深度学习入门（二）—自动求导
PyTorch学习笔记5—PyTorch深度学习入门（三）—神经网络
PyTorch学习笔记6—PyTorch深度学习入门（四）—入门实例