关于torch.nn:

使⽤Pytorch来构建神经⽹络, 主要的⼯具都在torch.nn包中.

nn依赖于autograd来定义模型, 并对其⾃动求导.

构建神经⽹络的典型流程:

定义⼀个拥有可学习参数的神经⽹络
遍历训练数据集
处理输⼊数据使其流经神经⽹络
计算损失值
将⽹络参数的梯度进⾏反向传播
以⼀定的规则更新⽹络的权重

我们⾸先定义⼀个Pytorch实现的神经⽹络:

# 导⼊若⼲⼯具包
import torch
import torch.nn as nn
import torch.nn.functional as F
# 定义⼀个简单的⽹络类
class Net(nn.Module):def __init__(self):super(Net, self).__init__()# 定义第⼀层卷积神经⽹络, 输⼊通道维度=1, 输出通道维度=6, 卷积核⼤⼩3*3self.conv1 = nn.Conv2d(1, 6, 3)# 定义第⼆层卷积神经⽹络, 输⼊通道维度=6, 输出通道维度=16, 卷积核⼤⼩3*3self.conv2 = nn.Conv2d(6, 16, 3)# 定义三层全连接⽹络self.fc1 = nn.Linear(16 * 6 * 6, 120)self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)def forward(self, x): # 在(2, 2)的池化窗⼝下执⾏最⼤池化操作x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))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 xdef num_flat_features(self, x):# 计算size, 除了第0个维度上的batch_sizesize = x.size()[1:]num_features = 1for s in size:num_features *= sreturn num_features
net = Net()
print(net)

输出结果:

Net((conv1): Conv2d(1, 6, kernel_size=(3, 3), stride=(1, 1))(conv2): Conv2d(6, 16, kernel_size=(3, 3), stride=(1, 1))(fc1): Linear(in_features=576, 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:

模型中所有的可训练参数, 可以通过net.parameters()来获得.

params = list(net.parameters())
print(len(params))
print(params[0].size())

输出结果:

10
torch.Size([6, 1, 3, 3])

输出结果:

假设图像的输⼊尺⼨为32 * 32:

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

输出结果:

tensor([[ 0.1242, 0.1194, -0.0584, -0.1140, 0.0661, 0.0191, -0.0966, 
0.0480, 0.0775, -0.0451]], grad_fn=<AddmmBackward>)

有了输出张量后, 就可以执⾏梯度归零和反向传播的操作了.

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

注意:

torch.nn构建的神经⽹络只⽀持mini-batches的输⼊, 不⽀持单⼀样本的输⼊.
⽐如: nn.Conv2d 需要⼀个4D Tensor, 形状为(nSamples, nChannels, Height, Width). 如果你的输⼊只有单⼀样本形式, 则需要执⾏input.unsqueeze(0), 主动将3D Tensor扩充成4D Tensor.

损失函数

损失函数的输⼊是⼀个输⼊的pair: (output, target), 然后计算出⼀个数值来评估output和target之间的差距⼤⼩.
在torch.nn中有若⼲不同的损失函数可供使⽤, ⽐如nn.MSELoss就是通过计算均⽅差损失来评估输⼊和⽬标值之间的差距.

应⽤nn.MSELoss计算损失的⼀个例⼦:

output = net(input)
target = torch.randn(10)
# 改变target的形状为⼆维张量, 为了和output匹配
target = target.view(1, -1)
criterion = nn.MSELoss()
loss = criterion(output, target)
print(loss)

输出结果:

tensor(1.1562, grad_fn=<MseLossBackward>)

关于⽅向传播的链条: 如果我们跟踪loss反向传播的⽅向, 使⽤.grad_fn属性打印, 将可以看到⼀张完整的计算图如下:

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

当调⽤loss.backward()时, 整张计算图将对loss进⾏⾃动求导, 所有属性requires_grad=True的Tensors都将参与梯度求导的运算, 并将梯度累加到Tensors中的.grad属性中.

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

输出结果:

反向传播(backpropagation)

在Pytorch中执⾏反向传播⾮常简便, 全部的操作就是loss.backward().

在执⾏反向传播之前, 要先将梯度清零, 否则梯度会在不同的批次数据之间被累加.

执⾏⼀个反向传播的⼩例⼦:

# Pytorch中执⾏梯度清零的代码
net.zero_grad()
print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)
# Pytorch中执⾏反向传播的代码
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([-0.0002, 0.0045, 0.0017, -0.0099, 0.0092, -0.0044])

更新⽹络参数

更新参数最简单的算法就是SGD(随机梯度下降).
具体的算法公式表达式为: weight = weight - learning_rate * gradient

⾸先⽤传统的Python代码来实现SGD如下:

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

然后使⽤Pytorch官⽅推荐的标准代码如下:

# ⾸先导⼊优化器的包, optim中包含若⼲常⽤的优化算法, ⽐如SGD, Adam等
import torch.optim as optim
# 通过optim创建优化器对象
optimizer = optim.SGD(net.parameters(), lr=0.01)
# 将优化器执⾏梯度清零的操作
optimizer.zero_grad()
output = net(input)
loss = criterion(output, target)
# 对损失值执⾏反向传播的操作
loss.backward()
# 参数的更新通过⼀⾏标准代码来执⾏
optimizer.step()