[Pytorch框架] 1.4 Neural Networks
技術標籤:PyTorch
文章目錄
Neural Networks
使用torch.nn包來構建神經網路。
上一講已經講過了autograd
,nn
包依賴autograd
包來定義模型並求導。
一個nn.Module
包含各個層和一個forward(input)
方法,該方法返回output
。
例如:
它是一個簡單的前饋神經網路,它接受一個輸入,然後一層接著一層地傳遞,最後輸出計算的結果。
神經網路的典型訓練過程如下:
- 定義包含一些可學習的引數(或者叫權重)神經網路模型;
- 在資料集上迭代;
- 通過神經網路處理輸入;
- 計算損失(輸出結果和正確值的差值大小);
- 將梯度反向傳播回網路的引數;
- 更新網路的引數,主要使用如下簡單的更新原則:
weight = weight - learning_rate * gradient
定義網路
開始定義一個網路:
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)
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)
)
在模型中必須要定義 forward
函式,backward
函式(用來計算梯度)會被autograd
自動建立。
可以在 forward
函式中使用任何針對 Tensor 的操作。
net.parameters()
返回可被學習的引數(權重)列表和值
params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1's .weight
10
torch.Size([6, 1, 5, 5])
測試隨機輸入32×32。
注:這個網路(LeNet)期望的輸入大小是32×32,如果使用MNIST資料集來訓練這個網路,請把圖片大小重新調整到32×32。
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
tensor([[ 0.1120, 0.0713, 0.1014, -0.0696, -0.1210, 0.0084, -0.0206, 0.1366,
-0.0455, -0.0036]], grad_fn=<AddmmBackward>)
將所有引數的梯度快取清零,然後進行隨機梯度的的反向傳播:
net.zero_grad()
out.backward(torch.randn(1, 10))
Note
``torch.nn`` 只支援小批量輸入。整個 ``torch.nn`` 包都只支援小批量樣本,而不支援單個樣本。
例如,``nn.Conv2d`` 接受一個4維的張量,
``每一維分別是sSamples * nChannels * Height * Width(樣本數*通道數*高*寬)``。
如果你有單個樣本,只需使用 ``input.unsqueeze(0)`` 來新增其它的維數</p></div>
在繼續之前,我們回顧一下到目前為止用到的類。
回顧:
torch.Tensor
:一個用過自動呼叫backward()
實現支援自動梯度計算的 多維陣列 ,
並且儲存關於這個向量的梯度 w.r.t.nn.Module
:神經網路模組。封裝引數、移動到GPU上執行、匯出、載入等。nn.Parameter
:一種變數,當把它賦值給一個Module
時,被 自動 地註冊為一個引數。autograd.Function
:實現一個自動求導操作的前向和反向定義,每個變數操作至少建立一個函式節點,每一個Tensor
的操作都回建立一個接到建立Tensor
和 編碼其歷史 的函式的Function
節點。
重點如下:
- 定義一個網路
- 處理輸入,呼叫backword
還剩:
- 計算損失
- 更新網路權重
損失函式
一個損失函式接受一對 (output, target) 作為輸入,計算一個值來估計網路的輸出和目標值相差多少。
譯者注:output為網路的輸出,target為實際值
nn包中有很多不同的損失函式。
nn.MSELoss
是一個比較簡單的損失函式,它計算輸出和目標間的均方誤差,
例如:
output = net(input)
target = torch.randn(10) # 隨機值作為樣例
target = target.view(1, -1) # 使target和output的shape相同
criterion = nn.MSELoss()
loss = criterion(output, target)
print(loss)
tensor(0.8109, grad_fn=<MseLossBackward>)
現在,如果在反向過程中跟隨loss
, 使用它的
.grad_fn
屬性,將看到如下所示的計算圖。
::
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss
所以,當我們呼叫 loss.backward()
時,整張計算圖都會
根據loss進行微分,而且圖中所有設定為requires_grad=True
的張量
將會擁有一個隨著梯度累積的.grad
張量。
為了說明,讓我們向後退幾步:
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
<MseLossBackward object at 0x7f3b49fe2470>
<AddmmBackward object at 0x7f3bb05f17f0>
<AccumulateGrad object at 0x7f3b4a3c34e0>
反向傳播
呼叫loss.backward()獲得反向傳播的誤差。
但是在呼叫前需要清除已存在的梯度,否則梯度將被累加到已存在的梯度。
現在,我們將呼叫loss.backward(),並檢視conv1層的偏差(bias)項在反向傳播前後的梯度。
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)
conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0051, 0.0042, 0.0026, 0.0152, -0.0040, -0.0036])
如何使用損失函式
稍後閱讀:
nn
包,包含了各種用來構成深度神經網路構建塊的模組和損失函式,完整的文件請檢視here。
剩下的最後一件事:
- 新網路的權重
更新權重
在實踐中最簡單的權重更新規則是隨機梯度下降(SGD):
``weight = weight - learning_rate * gradient``
我們可以使用簡單的Python程式碼實現這個規則:
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)
但是當使用神經網路是想要使用各種不同的更新規則時,比如SGD、Nesterov-SGD、Adam、RMSPROP等,PyTorch中構建了一個包torch.optim
實現了所有的這些規則。
使用它們非常簡單:
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::
觀察如何使用``optimizer.zero_grad()``手動將梯度緩衝區設定為零。
這是因為梯度是按Backprop部分中的說明累積的。