翻译：PyTorch基础知识学习 - 构建神经网络

翻译文章链接： PyTorch构建神经网络

神经网络由对数据执行操作的层/模块组成。torch.nn命名空间提供了构建自己的神经网络所需的所有构建块。PyTorch中的每个模块都是 nn.Module 的子类。神经网络是一个模块本身，它由其他模块（层）组成。这种嵌套结构允许轻松构建和管理复杂的架构。

在接下来的部分中，我们将构建一个神经网络来对 FashionMNIST 数据集中的图像进行分类。

一、引用相关的库，代码如下：

import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

二、获取培训设备

我们希望能够在 GPU 等硬件加速器（如果可用）上训练我们的模型。让我们检查一下 torch.cuda是否可用，否则我们继续使用CPU。

device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")

输出：

Using cuda device

如果机子无GPU的话，输出如下：

Using cpu device

三、定义类

我们通过子类化定义我们的神经网络nn.Module，并在 中初始化神经网络层__init__。每个nn.Module子类都在方法中实现对输入数据的操作forward。

class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

我们创建的实例NeuralNetwork，并将其移动到device，并打印其结构。

model = NeuralNetwork().to(device)
print(model)

运行后如下图：

要使用模型，我们将输入数据传递给它。这将执行模型的forward，以及一些后台操作。不要直接调用model.forward()！

在输入上调用模型会返回一个 10 维张量，其中包含每个类的原始预测值。我们通过nn.Softmax模块的一个实例来获得预测概率。

X = torch.rand(1, 28, 28, device=device)
logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

输出：

Predicted class: tensor([0], device='cuda:0')

如果无GPU硬件时，用的CPU，输出如下：

Predicted class：tensor([7])

完整代码：

import os
import torch
from torch import nn
from torch.utils.data import  DataLoader
from torchvision import datasets, transforms

device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")


class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits


model = NeuralNetwork().to(device)
print(model)

X = torch.rand(1, 28, 28, device=device)
logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class：{y_pred}")

我这边运行效果如下：

四、模型层

让我们分解 FashionMNIST 模型中的层。为了说明这一点，我们将抽取 3 张大小为 28x28 的图像的小批量样本，看看当我们通过网络传递它时会发生什么。

input_image = torch.rand(3,28,28)
print(input_image.size())

输出：

torch.Size([3, 28, 28])

• nn.Flatten

我们初始化nn.Flatten 层以将每个 2D 28x28 图像转换为 784 个像素值的连续数组（保持小批量维度（dim=0））。

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())

输出：

torch.Size([3, 784])

• nn.Linear

线性层是一个模块，它 使用其存储的权重和偏差对输入应用线性变换。

layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())

输出：

torch.Size([3, 20])

• nn.ReLU

非线性激活是在模型的输入和输出之间创建复杂映射的原因。它们在线性变换后应用以引入非线性，帮助神经网络学习各种现象。

在这个模型中，我们在线性层之间使用nn.ReLU，但是还有其他激活可以在模型中引入非线性。

print(f"Before ReLU：{hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU：{hidden1}")

输出：

Before ReLU：tensor([[-0.6335,  0.0794,  0.5014, -0.5217, -0.0527,  0.0750,  0.1753, -0.0101,
         -0.1573, -0.2139,  0.2660, -0.1607,  0.2974,  0.2737,  0.0139,  0.5371,
          0.7613, -0.2014, -0.0264, -0.4769],
        [-0.4500, -0.2199,  0.5994, -0.5955, -0.5102,  0.2287, -0.1008, -0.3814,
         -0.0267,  0.0405,  0.1280,  0.0301,  0.0329,  0.1640,  0.0412,  0.6920,
          0.5718, -0.0244, -0.0745, -0.2767],
        [-0.4560, -0.2902,  0.1221, -0.2797, -0.2689,  0.1370, -0.1519,  0.1293,
         -0.0072,  0.1540, -0.0902, -0.3875,  0.0328,  0.3273, -0.1787,  0.4313,
          0.8949,  0.1392, -0.1454, -0.2776]], grad_fn=<AddmmBackward0>)


After ReLU：tensor([[0.0000, 0.0794, 0.5014, 0.0000, 0.0000, 0.0750, 0.1753, 0.0000, 0.0000,
         0.0000, 0.2660, 0.0000, 0.2974, 0.2737, 0.0139, 0.5371, 0.7613, 0.0000,
         0.0000, 0.0000],
        [0.0000, 0.0000, 0.5994, 0.0000, 0.0000, 0.2287, 0.0000, 0.0000, 0.0000,
         0.0405, 0.1280, 0.0301, 0.0329, 0.1640, 0.0412, 0.6920, 0.5718, 0.0000,
         0.0000, 0.0000],
        [0.0000, 0.0000, 0.1221, 0.0000, 0.0000, 0.1370, 0.0000, 0.1293, 0.0000,
         0.1540, 0.0000, 0.0000, 0.0328, 0.3273, 0.0000, 0.4313, 0.8949, 0.1392,
         0.0000, 0.0000]], grad_fn=<ReluBackward0>)

• nn.Sequential

nn.Sequential是一个有序的模块容器。数据按照定义的顺序通过所有模块。您可以使用顺序容器来组合一个快速网络，例如seq_modules.

seq_modules = nn.Sequential(
    flatten,
    layer1,
    nn.ReLU(),
    nn.Linear(20, 10)
)
input_image = torch.rand(3, 28, 28)
logits = seq_modules(input_image)
print(logits)

输出：

tensor([[-0.5174, -0.2422,  0.1729, -0.1342, -0.0264,  0.0877,  0.1812, -0.0544,
         -0.1712,  0.1081],
        [-0.5611, -0.1871,  0.2864, -0.0662, -0.0904,  0.1689,  0.2801, -0.0607,
         -0.2225,  0.1410],
        [-0.3798, -0.1937,  0.1386, -0.0908, -0.1111,  0.0455,  0.2120,  0.0460,
         -0.1415,  0.0356]], grad_fn=<AddmmBackward0>)

• nn.Softmax

神经网络的最后一个线性层返回logits - [-infty, infty] 中的原始值 - 被传递给 nn.Softmax模块。logits 被缩放为值 [0, 1]，表示模型对每个类别的预测概率。dim参数指示值必须总和为 1 的维度。

softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)
print(pred_probab)

输出：

tensor([[0.0620, 0.0817, 0.1237, 0.0910, 0.1013, 0.1136, 0.1247, 0.0985, 0.0877,
         0.1159],
        [0.0572, 0.0831, 0.1334, 0.0938, 0.0915, 0.1186, 0.1326, 0.0943, 0.0802,
         0.1154],
        [0.0705, 0.0849, 0.1184, 0.0942, 0.0923, 0.1079, 0.1275, 0.1080, 0.0895,
         0.1068]], grad_fn=<SoftmaxBackward0>)

五、模型参数

神经网络内的许多层都是参数化的，即具有在训练期间优化的相关权重和偏差。子类nn.Module化会自动跟踪模型对象中定义的所有字段，并使用模型parameters()或named_parameters()方法使所有参数都可以访问。

在此示例中，我们遍历每个参数，并打印其大小和其值的预览。

print(f"Model structure：{model}\n\n")
for name, param in model.named_parameters():
    print(f"Layer：{name} | Size：{param.size()} | Values：{param[:2]}\n")

输出：

Model structure：NeuralNetwork(
  (flatten): Flatten(start_dim=1, end_dim=-1)
  (linear_relu_stack): Sequential(
    (0): Linear(in_features=784, out_features=512, bias=True)
    (1): ReLU()
    (2): Linear(in_features=512, out_features=512, bias=True)
    (3): ReLU()
    (4): Linear(in_features=512, out_features=10, bias=True)
  )
)


Layer：linear_relu_stack.0.weight | Size：torch.Size([512, 784]) | Values：tensor([[ 0.0035, -0.0074,  0.0013,  ...,  0.0109, -0.0086, -0.0314],
        [-0.0343,  0.0266,  0.0283,  ...,  0.0217,  0.0189,  0.0094]],
       grad_fn=<SliceBackward0>)

Layer：linear_relu_stack.0.bias | Size：torch.Size([512]) | Values：tensor([-0.0292, -0.0005], grad_fn=<SliceBackward0>)

Layer：linear_relu_stack.2.weight | Size：torch.Size([512, 512]) | Values：tensor([[ 0.0268, -0.0166,  0.0140,  ..., -0.0111, -0.0259, -0.0223],
        [ 0.0205,  0.0257, -0.0126,  ..., -0.0277, -0.0423,  0.0417]],
       grad_fn=<SliceBackward0>)

Layer：linear_relu_stack.2.bias | Size：torch.Size([512]) | Values：tensor([0.0092, 0.0286], grad_fn=<SliceBackward0>)

Layer：linear_relu_stack.4.weight | Size：torch.Size([10, 512]) | Values：tensor([[-0.0002, -0.0103, -0.0415,  ..., -0.0068,  0.0130,  0.0396],
        [ 0.0019, -0.0137, -0.0231,  ...,  0.0163,  0.0181,  0.0044]],
       grad_fn=<SliceBackward0>)

Layer：linear_relu_stack.4.bias | Size：torch.Size([10]) | Values：tensor([0.0250, 0.0184], grad_fn=<SliceBackward0>)