- 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
class Net(nn.Module):
def __init__(self):
super().__init__()
# 定义第一层卷积神经网络，输入通道维度为1，输出通道维度为6，卷积核大小为3*3
self.conv1 = nn.Conv2d(1, 6, 3)
# 定义第二层卷积神经网络，输入通道为6，输出通道维度为16，卷积核大小为3*3
self.conv2 = nn.Conv2d(6, 16, 3)
# 定义三层全连接层网络
self.fc1 = nn.Linear(16 * 6 * 6, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10) # 最终输出的结果要分为10类
def forward(self, x):
# 注意：任何卷积层后面要加激活层、池化层
# 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)
# 经过卷积层的处理后，张量要进入全连接层，进入前需要调整张量的形状
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):
# 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)
运行效果：
- 注意:
- 模型中所有的可训练参数, 可以通过net.parameters()来获得.
print(net.parameters()) # <generator object Module.parameters at 0x00000167595C8C48>
params = list(net.parameters())
print(len(params))
# for i in params:
# print(i)
print(params[0].size())
- 假设图像的输入尺寸为32 * 32:
# 假设图像的输入尺寸为32 * 32
input_value = torch.randn(1, 1, 32, 32)
output = net(input_value)
print(output)
- 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()
output.backward()- 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.
- 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.
- 应用nn.MSELoss计算损失的一个例子
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) # 第一个维度设置为1，第二个维度自动适配维度为10
criterion = nn.MSELoss()
loss = criterion(output, target)
print(loss)
- 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
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.
- net.zero_grad()
- loss.backward()
- 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)
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_value)
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()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()
