使用Pytorch构建一个神经网络

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=)

·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=)

·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

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()