PyTorch教程：神经网络

programming/python, programming/ml
目录

本文翻译自Pytorch官方文档《DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ》

可以使用 torch.nn 包构建神经网络。

现在您已经了解了 autograd，nn 依靠 autograd 定义模型并对其进行区分。 nn.Module 包含图层，以及返回 output 的方法 forward(input)。

例如，查看以下对数字图像进行分类的网络：

convnet

convnet

这是一个简单的前馈网络。 它获取输入，将其一层又一层地馈入，然后最终给出输出。

神经网络的典型训练过程如下：

  • 定义具有一些可学习参数（或权重）的神经网络
  • 遍历输入数据集
  • 通过网络处理输入
  • 计算损失（输出离正确有多远）
  • 将梯度传播回网络参数
  • 更新网络的权重，通常使用简单的更新规则：weight = weight - learning_rate * gradient

下面的图片来自 A Comprehensive Guide to Convolutional Neural Networks — the ELI5 way，能更清晰地展示整个网络。

定义网络

让我们定义这个网络

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个输入图片通道，6个输出通道，3x3 平方卷积核
        self.conv1 = nn.Conv2d(1, 6, 3)
        
        self.conv2 = nn.Conv2d(6, 16, 3)
        
        # 仿射操作: y = Wx + b
        self.fc1 = nn.Linear(16 * 6 * 6, 120) # 图片维度 6*6
        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))
        
        # 如果尺寸为正方形，则只能指定一个数字
        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:]  # 除 batch 维度外的所有维度
        num_features = 1
        for s in size:
            num_features *= s
        return num_features
    
net = Net()
net
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)
)

最大池化：Max pooling

池化（Pooling）是卷积神经网络中的一个重要概念，它实际上是一种非线性形式的降采样。最大池化（Max pooling）是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。

线性整流：Rectified Linear Units, ReLU

线性整流层使用线性整流 f(x) = max(0, x) 作为这一层神经的激励函数（Activation function）。 它可以增强判定函数和整个神经网络的非线性特性，而本身并不会改变卷积层。

引自维基百科 卷积神经网络

您只需要定义 forward 函数，就可以使用 autograd 为您自动定义 backward 函数（计算梯度）。 您可以在 forward函数中使用任何 Tensor 操作。

net.parameters() 返回模型的可学习参数

params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1 的 .weight
10
torch.Size([6, 1, 3, 3])

让我们尝试 32x32 随机输入。 注意：该网络（LeNet）的预期输入大小为 32x32。 要在 MNIST 数据集上使用此网络，请将数据集中的图像调整为 32x32。

input = torch.randn(1, 1, 32, 32)
out = net(input)
out
tensor([[ 0.0016, -0.0051, -0.0208, -0.0015, -0.0422, -0.0511, -0.0886,  0.0619,
         -0.1105, -0.0016]], grad_fn=<AddmmBackward>)

将所有参数的梯度缓冲区归零，并用随机的梯度后向传播：

net.zero_grad()
out.backward(torch.randn(1, 10))

注意

torch.nn 仅支持微型批次（mini-batches）。 整个 torch.nn 封装仅支持小批次样本的输入，而不是单个样本。

例如，nn.Conv2d 将接收 nSamples x nChannels x Height x Width 的 4D Tensor。

如果您有单个样本，只需使用 input.unsqueeze(0) 添加假批次维度即可。

在继续之前，让我们回顾一下到目前为止所看到的所有类。

Recap

  • torch.Tensor：一个多维数组，支持诸如 backward() 之类的 autograd 操作。还保留了 w.r.t. tensor。
  • nn.Module：神经网络模块。方便的封装参数的方式，并带有将其移动到 GPU，导出，加载等的帮助器。
  • nn.Parameter：一种 Tensor，当作为属性分配给 Module 时会 自动注册 为参数。
  • autograd.Function：实现 autograd 操作的 前向和后向定义 。每个 Tensor 操作都会创建至少一个 Function 节点，该节点连接到创建 Tensor 并对其历史进行 编码 的函数。

至此，我们介绍了：

  • 定义神经网络
  • 处理输入和后向调用

尚未介绍：

  • 计算损失
  • 更新网络的权重

损失函数

损失函数采用（输出、目标）输入对，并计算估计输出与目标距离的值。

nn 包下有几个不同的 损失函数。 一个简单的损失是：nn.MSELoss，它计算输入和目标之间的均方误差。

例如：

output = net(input)
target = torch.randn(10)
target = target.view(1, -1)
criterion = nn.MSELoss()

loss = criterion(output, target)
loss
tensor(0.5839, grad_fn=<MseLossBackward>)

现在，如果使用 .grad_fn 属性以反向跟踪 loss，您将看到一个计算图，如下所示：

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
      -> view -> linear -> relu -> linear -> relu -> linear
      -> MSELoss
      -> loss

因此，当我们调用 loss.backward() 时，整个图在损耗方面是有区别的。 并且图表中所有具有 require_grad=True 的 Tensor 将随梯度累积其 .grad Tensor。

为了说明，让我们向后走几步：

print(loss.grad_fn) # MELoss
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 0x0000021D41F37760>
<AddmmBackward object at 0x0000021D41F37670>
<AccumulateGrad object at 0x0000021D41F37760>

反向传播（Backprop）

要反向传播误差，我们要做的就是 loss.backward()。 不过，您需要清除现有的梯度，否则梯度将累积到现有的梯度中。

现在，我们将调用 loss.backward()，并了解 conv1 反向传播之前和之后的偏差梯度。

net.zero_grad()  # 将所有参数的梯度缓冲区归零

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([ 0.0126,  0.0097,  0.0075,  0.0054, -0.0106, -0.0077])

现在，我们已经看到了如何使用损失函数。

扩展阅读

神经网络软件包包含各种模块和损失函数，这些模块和损失函数构成了深度神经网络的构建块。 完整的文档清单在这里。

https://pytorch.org/docs/nn

唯一需要学习的是：

更新网络的权重

更新权重

实践中使用的最简单的更新规则是随机梯度下降（SGD）：

weight = weight - learning_rate * gradient

我们可以使用简单的 Python 代码实现：

learning_rate = 0.01
for f in net.parameters():
    f.data.sub_(f.grad.data * learning_rate)

但是，当您使用神经网络时，您希望使用各种不同的更新规则，如 SGD、Nesterov-SGD、Adam、RMSProp 等。 为了实现这一点，我们构建了一个小包：torch.optim，用于实现所有这些方法。 使用它非常简单：

import torch.optim as optim

# 创建优化器
optimizer = optim.SGD(net.parameters(), lr=0.01)

# 在训练循环中
optimizer.zero_grad()  # 梯度缓存清零
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step()  # 执行更新

注意

观察如何使用 optimizer.zero_grad() 将梯度缓冲区手动设置为零。 这是因为梯度会累积，如“反向传播”部分中所述。

参考

https://github.com/pytorch/tutorials

https://pytorch.org/tutorials/beginner/blitz/neural_networks_tutorial.html