使用Pytorch构建神经网络

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*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, 卷积核大小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

    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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

运行结果

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())
1
2
3

运行结果：

• 假设图像的输入尺寸为32 * 32:

input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
1
2
3

运行结果

• 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))
1
2

• 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)
1
2
3
4
5
6
7
8
9

运行结果：

• 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
1
2
3
4

• 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
1
2
3

运行结果：

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)
1
2
3
4
5
6
7
8
9
10
11

运行结果：

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)
1
2
3

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()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

小节总结
学习了构建一个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

学习了损失函数的定义:

• 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.

学习了反向传播的计算方法:

• 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()

学习了参数的更新方法:

• 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()