从零开始的神经网络构建历程（二）

本系列的上一篇博文最后提出了一个问题，是有关如何通过torch来实现给定的神经网络的，这里公布一下我自己的回答：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.layer12 = nn.Linear(784, 200)
        self.layer23 = nn.Linear(200, 100)
        self.layer34 = nn.Linear(100, 10)
    def forward(self, input):
        output = self.layer12(input)
        output = torch.relu(output)
        output = self.layer23(output)
        output = torch.relu(output)
        output = self.layer34(output)
        output = nn.functional.softmax(output)
        return output

是不是感觉很简单呢，先别着急，构建一个神经网络容易，但是要训练其中的参数是很麻烦的。

此篇博文将以sklearn中的手写数字图像作为数据集，来讲述一个神经网络是如何训练和测试的。

数据集的引入

Python scikit-learn库中有一个datasets模块，此模块中收录了很多经典的训练模型用到的数据集，mnist（手写数字图像，分辨率8*8）便是其中之一。本篇博文便是基于此数据集对图片中的手写数字进行识别和分类，此数据集是神经网络初学者的必经之路。

载入这些数字图像的方法很简单，详见以下代码：

def preprocess_digit():
    data = load_digits()
    x, y = data.data, data.target
## Input Normalization
    x = MinMaxScaler().fit_transform(x)
    return train_test_split(x, y, test_size=0.1)

一般来说，在训练分类型神经网络模型时，输入的数据是要进行标准化的，这在以上代码中的“x = MinMaxScaler().fit_transform(x)”有所体现。本人在此之前未对数据进行标准化的预处理，造成了训练时参数的爆炸…（沉痛的教训，宝贵的经验）

把上面的函数进行调用，执行下面代码，可以得到相关的数据集的信息：

xtrain, xtest, ytrain, ytest = preprocess_digit()
print(xtrain.shape)
print(xtest.shape)
print(ytrain.shape)
print(ytest.shape)

此代码可以查看数据量的大小：

说明训练集数据有1617张图像，测试集有180张图像，所有图像的大小为8_8，但是载入的数据是1_64的行向量。

神经网络的搭建

之前讲过这种代码该如何写，不多说，直接上代码：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.layer12 = nn.Linear(64, 50)
        self.layer23 = nn.Linear(50, 25)
        self.layer34 = nn.Linear(25, 10)
    def forward(self, input):
        output = self.layer12(input)
        output = torch.relu(output)
        output = self.layer23(output)
        output = torch.relu(output)
        output = self.layer34(output)
        output = nn.functional.softmax(output)
        return output

训练流程

这里通过实例代码来阐述torch是如何进行网络的训练的，首先先贴出我训练成功时所用的代码：

def train():
    network = Net()
    optimizer, loss_func = optim.SGD(network.parameters(), lr=0.5), nn.MSELoss()
    for epoch in range(len(y_train)):
        x = Variable(torch.tensor(x_train[epoch], dtype=torch.float32)).reshape([1, 64])
        y = torch.zeros([1, 10])
        y[0, y_train[epoch]] = 1.0
        for i in range(10):
            prediction = network(x)
            loss = loss_func(prediction, y)
            optimizer.zero_grad() ## Clear to zero for the devitation of loss(loss-weight)
            loss.backward()
            optimizer.step()

一行一行来看：

1. 此Python函数中第一行的“network = Net()”表示建立一个Net类的对象，Net就是之前定义的此神经网络的类，继承于父类nn.Module；
2. 语句optim.SGD(network.parameters(), lr=0.5)表示我们定义了一个优化器optimizer，并采用随机梯度下降法优化模型参数，设置每一层网络参数优化时的学习率为0.5。optim是torch中的模块，专门用于优化学习模型中的参数的，SGD是“随机梯度下降”的英文简写。此时我们设置SGD方法中的两个参数：（1）待优化的对象（network.parameters()，.parameters()表示取其网络参数）；（2）学习率learn_rate（简写为lr）。
3. 语句nn.MSELoss()意思是指定网络的损失函数loss_func为均方差（MSE）损失函数；
4. 接下来便是两层循环，本人在此训练的逻辑是：对于每一个训练数据集中的样本，都送入网络中进行随机梯度下降法的训练，每个样本反复进行10次BP算法；
5. 外层循环中有三句话，这三句话的含义分别为：（1）将每一个到来的样本输入转化为torch型张量（torch.Tensor），并将其维度调整为一个长度为64的行向量（此处可依据实际情况，判断是否需要维度调整）；（2）后两句话含义是，针对此数据的标签Label，制作一个标准输出向量y，此向量将在内层循环中参与计算生成损失函数loss。
6. 语句prediction = network(x)，表示把x作为变量输入网络Net对象network中，最终得到的输出向量作为预测变量prediction；
7. 语句loss = loss_func(prediction, y)声明loss函数与prediction和y有关，其作用和Loss的定义式
   

相当，等效于在此定义了Loss函数的形式。（yhat意思是y的估计，Loss函数是y估计与y差值的二范数平方）

8. 语句optimizer.zero_grad()意思是将优化器中的梯度清零，因为每开始此BP算法，网络的初始梯度都是0；
9. 语句loss.backward()意思是执行反向传播过程，在之前定义的model类里，我们只定义了前向传播过程forward，此时反向传播过程backward就已经确定了，所以无需自己再去定义（除非网络有特殊需要）；
10. 语句***optimizer.step()意思是开始一次迭代优化的步骤***。之前的过程都只是自定义训练的步骤，而非真正让机器执行，只有当调用optimizer.step()之后，程序才会开始优化，否则等于没干。

以上便是利用torch训练一个神经网络的相关步骤，在数据集很大的情况下，训练的步骤耗时很大，建议程序运行时做点别的事~

保存网络参数

保存网络参数很简单，直接上代码

    if not os.path.isdir('model'):
        os.mkdir('model')
    torch.save(network, './model/full_connected.cpkt')

代码的逻辑很容易看懂，当model文件夹不存在时，创建model文件夹，然后在这个文件夹里面保存网络参数。

torch.save()可以保存的参数种类有很多，除了上面代码里面的类类型network以外，还有torch.Tensor、字典、参数列表network.parameters()等。

网络参数保存为文件之后，再次使用时就需要下面代码读取模型参数：

network = torch.load('./model/full_connected.cpkt')
network.eval()

也很容易理解，在torch.load中添加文件的路径即可，但是你事先要知道这个文件中存储的参数类型，并且要用正确的变量类型来接收参数读取的结果。

模型测试

直接给出代码：

    for epoch in range(len(y_test)):
        x = Variable(torch.tensor(x_test[epoch], dtype=torch.float32)).reshape([1, L])
        prediction = network(x)
        max = torch.max(prediction).detach().numpy()
        if max == prediction[0, y_test[epoch]].detach().numpy():
            count += 1
    print("The accuracy of the testSet(%s) : %2.2f
" % (set, (count/len(y_test))))

和训练时的做法类似，只是此时没有了反向传播步骤，当我们得到最终的预测向量prediction作为输出时，prediction中最大元素所在的下标便是预测的结果，例如，如果最大元素所在下标为8，则程序识别出来的数字是8。prediction是一个长度为10的向量，原因就是0~9包含了10个数字，prediction本质上存储的是每个数字被识别的概率，其中概率最大的就是机器识别的结果，这是神经网络用于分类问题时普遍采用的策略。

效果展示

以上的图片给出了识别正确的数字的例子。

这里打印的是模型识别数字的准确率，可以发现，识别的准确率还算可以，由于本人在这里采用的是随机梯度下降法进行参数更新，所以网络有点过拟合。一般的情况下，在训练网络时都是优先采用批量梯度下降（BGD）法进行网络训练，这里只是做训练的简单演示，所以未考虑此问题。

代码整合

所有与全连接前馈神经网络有关的代码都在下列的Gitee链接中，本人在今后还会向此代码库增加与神经网络相关的内容。
神经网络代码Gitee链接

问题

如果要用神经网络进行非线性回归，代码应该怎么写，你有大致的思路吗？