©2020-2024 ioDraw All rights reserved,
Privacy Policy
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
·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): # 一个初始化函数 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，卷积和大小3*3 self.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，卷积和大小3*3 self.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 x # 维度扁平化 def num_flat_features(self, x): #
计算size，除了第0个维度上的batch_size size = x.size()[1:] num_features = 1 for s in size:
num_features *= s return 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())#用list进行封装 print(len(params))
print(params[0].size())
·输出结果
10 torch.Size([6, 1, 3, 3])
·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([[ 0.1065, 0.0852, 0.0484, 0.0806, -0.0398, -0.0307, -0.1036, -0.0510,
-0.1005, 0.0150]], 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.MESLoss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(0.8401, grad_fn=<MseLossBackward>)
·关于方向传播的链条：如果我们跟踪loss反向传播方向，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
<MseLossBackward object at 0x000001BDFF5C7E80> <AddmmBackward object at
0x000001BDFFB42710> <AccumulateGrad object at 0x000001BDFFB42710>
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([-0.0007, 0.0024, 0.0136, 0.0216, 0.0032,
0.0132])
·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opotim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()
总结
·构建一个神经网络的典型流程
·定义一个拥有的学习参数的神经网络
·遍历数据集
·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
·损失函数的定义
·采用torch.nn.MSELoss()计算均方误差
·通过loss.backward()进行反向传播计算时，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。
·反向传播的计算方法“
·在Pytorch中执行反向传播非常简便，全部操作就是loss.backward().
·在执行反向操作前，要先将梯度清零，否则梯度不同的批次数据之间被累加
·net.zero_grad()
·loss.backward()
·参数的更新方法
·定义优化器来执行参数的优化与更新
·optimizer = optim.SGD(net.parameters(), lr=0.01)
·通过优化器来执行具体的参数更新。
·optimizer.step()