3 - NEURAL NETWORKS【神经网络】

发表于 | 阅读次数:

原文地址：
https://pytorch.org/tutorials/beginner/blitz/neural_networks_tutorial.html

NEURAL NETWORKS 【神经网络】

可以使用torch.nn包来构建神经网络。

现在您已经了解了autograd, nn依赖autograd来定义模型并区分它们。一个nn.Module包含层，和一种方法forward(input)，它返回output。

例如，对数字图像的分类网络：

卷积神经网络

它是一个简单的前馈网络。它获取输入，一个接一个地通过几个层，最后给出输出结果。

神经网络的典型训练过程如下：

  • 定义具有一些可学习参数（或权重）的神经网络
  • 迭代输入数据
  • 通过网络处理输入
  • 计算损失（输出与正确结果的距离）
  • 将梯度传播回网络参数中
  • 更新网络中的权重，使用简单的典型的更新规则：weight = weight - learning_rate * gradient

定义网络

让我们定义这个网络：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
import torch
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):

    def __init__(self):
        #nn.Module子类的函数必须再构造函数种执行父类的构造函数
        #下式等价于nn.Module.__init__(self)
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # kernel
        #卷积层'1'表示输入图片为单通道，‘6’表示输出通道数
        #‘5’表示卷积核为5*5
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # an affine operation: y = Wx + b
        #仿射层/全连接层，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):
        #卷积 --> 激活 --> 池化
        # 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)
        #reshape, '-1'表示自适应
        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：

1
2
3
4
5
6
7
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)
)

你仅仅只需要定义forward函数，并且使用autograd会自动帮你定义backward函数（计算梯度的地方）。你可以在forward函数中使用任何Tensor操作。

模型的可学习参数由net.parameters()返回 

1
2
3
4

params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1's .weight

输出

1
2
10
torch.Size([6, 1, 5, 5])

让我们尝试一个随机的32x32输入注意:这个网络(LeNet)的预期输入大小是32x32。要在MNIST数据集中使用这个网络，请将数据集中的图像调整到32x32。

1
2
3
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

输出

1
2
tensor([[ 0.0435, -0.1141, -0.0298, -0.0904,  0.1214,  0.1464, -0.0767,  0.0372,
          0.0243, -0.1016]], grad_fn=<ThAddmmBackward>)

使用随机梯度将所有参数和反向传播的梯度缓冲区归零：

1
2
net.zero_grad()
out.backward(torch.randn(1, 10))

注：

torch.nn只支持小批量。整个torch.nn包只支持小批量的样本输入，而不是一个单一的样本。

例如：nn.Conv2d将使用4D的tensor nSamples x nChannels x Height x Width.

如果你只有一个单一样本，只需要使用input.unsqueeze(0)去添加一个假的批处理维度。

在继续之前，让我们回顾一下到目前为止您所看到的所有类。

概要：

  • torch.tensor 支持例如backward()的autograd操作的多维数组。也保留了tensor的梯度。
  • nn.Module 神经网络模型。使用帮助成像将它们移动到GPU,输出，加载等，方便的封装参数。
  • nn.Parameter Tensor的一种，当分配一个属性给Module的时候，会自动注册一个参数。
  • autograd.Function 实现autograd操作的前向和后向定义。每一个Tensor操作，至少创建一个Function节点，该节点连接到一个创建的Tensor并且对它的历史编码。

在这点上，我们覆盖包含了：

  • 定义了神经网络
  • 处理输入并且向后调用

还剩下：

  • 计算损失
  • 更新神经网络的权重

损失函数

损失函数使用一对输入（输出，目标），并且计算一个值来估计输出到目标的距离。

在nn包下有几种不同的损失函数。一个简单的损失是：nn.MSELoss它计算输入和目标之间的均方误差。

例如：

1
2
3
4
5
6
7
output = net(input)
target = torch.randn(10)  # a dummy target, for example
target = target.view(1, -1)  # make it the same shape as output
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)

输出：

1
tensor(1.1380, grad_fn=<MseLossBackward>)

现在，如果您按照loss向后方向，使用其 .grad_fn属性，您将看到如下所示的计算图：

1
2
3
4
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
      -> view -> linear -> relu -> linear -> relu -> linear
      -> MSELoss
      -> loss

因此，当我们调用时loss.backward()，整个图形会随着损失而区分，并且图形中的所有张量都requires_grad=True 将.grad使用渐变累积其Tensor。

为了说明，让我们向后退几步：

1
2
3
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

输出：

1
2
3
<MseLossBackward object at 0x00000225B8275CF8>
<ThAddmmBackward object at 0x00000225B8275DA0>
<ExpandBackward object at 0x00000225B8275CF8>

BACKPROP 【反向传播】

要反向传播错误，我们所要做的就是loss.backward()。您需要清除现有渐变，否则渐变将累积到现有渐变。

现在我们就调用loss.backward()，看一下conv1在向后之前和之后的偏差梯度。

1
2
3
4
5
6
7
8
9
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：

1
2
3
4
conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0056,  0.0107, -0.0053, -0.0074,  0.0051, -0.0064])

现在，我们已经看到了如何使用损失函数。

唯一要学习的是：

  • 更新网络权重

更新权重

实践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

我们可以使用简单的python代码实现它：

1
2
3
learning_rate = 0.01
for f in net.parameters():
    f.data.sub_(f.grad.data * learning_rate)

但是，当您使用神经网络时，您希望使用各种不同的更新规则，例如SGD，Nesterov-SGD，Adam，RMSProp等。为了实现这一点，我们构建了一个小包：torch.optim它实现了所有这些方法。使用它非常简单：

1
2
3
4
5
6
7
8
9
10
11
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

注意：

观察如何使用optimizer.zero_grad()手动将梯度缓冲区设置为零。这是因为梯度是按照Backprop部分解释的那样积累的。