Torch7学习（四）——学习神经网络包的用法（2）

torch7学习（一）——Tensor

Torch7学习(二) —— Torch与Matlab的语法对比

Torch7学习（三）——学习神经网络包的用法（1）

Torch7学习（四）——学习神经网络包的用法（2）

Torch7学习（五）——学习神经网路包的用法（3）

Torch7学习（六）——学习神经网络包的用法（4）——利用optim进行训练

Torch7学习（七）——从neural-style代码中看自定义重载函数的训练方式

总说

上篇博客已经初步介绍了Module类。这里将更加仔细的介绍。并且还将介绍Container， Transfer Functions Layers和 Simple Layers模块。

Module

主要有4个函数。

1. [output]forward(input)

2. [gradInput] backward (input.gradOutput)

以及在后面自动挡训练方式中重载的两个函数

3. [output] updateOutput (input)

4. [gradInput] updateGradInput (input, gradOutput)

注意点：

1. forward函数的input必须和backward的函数的input一致！否则梯度更新会有问题。

2. Module的forward会调用updateOutput(input), 而backward会调用[gradInput] updateGradInput (input, gradOutput)和accGradParameters(input, gradOutput)

3. 高级训练方式只要重载updateOutput和updateGradInput这两个函数，内部参数会自动改变。

4. 对于第3点，需要更加深入的探讨

Container

复杂的神经网络可以用container类进行构建。

container的子类主要有三个：Sequential, Parallel, Concat 。他重新实现了Module类的方法。此外还增加了很多方法。

主要函数：

1. add(module)

2. get(index)

3. size() return the number of contained modules.

4. remove(index)

5. insert (module, [index] ) 注意这里的index是插入后，其排到的index

用法就是，一般是用一个Sequential，然后不断add(module)，而module有simple layers和卷积层。在后面进行说明。

Transfer Functions Layers

就是激活函数，在第上一篇博客已经说明了，torch中讲神经网络看成是module(或是container）的组合。你可以加入层模块，或是激活函数的层模块，最后还可以加上criterion层模块。如此一来，整个网络就构建好了。

这个没啥好说的。

里面有挺多激活函数的. SoftMax, SoftMin, SoftPlus, LogSigmoid, LogSoftMax, Sigmoid, Tanh, ReLU, PReLU, ELU, LeakyReLU等等。

这里就拿Tanh举例吧。

ii=torch.linspace(-3,3)
m=nn.Tanh()
oo=m:forward(ii)
go=torch.ones(100)
gi=m:backward(ii,go)
gnuplot.plot({'f(x)',ii,oo,'+-'},{'df/dx',ii,gi,'+-'})
gnuplot.grid(true)

Simple Layers

简单层有很多，一些是提供仿射变换的，一些是进行Tensor method的。

具有参数的modules有：

Linear

Add : 对输入增加一个偏置项

Mul

CMul

等等

进行基本Tensor运算的

View

Transpose

等等

进行数学运算的

Max, Min, Exp, Mean, Log, Abs, MM：matrix-matrix multiplication.

Normalize: normalize the input to have unit L-p norm

其他

Identity

Dropout

下面调重要常见的几个

Linear

module = nn.Linear(inputDim, outputDim, [bias = true])

Linear就是全连接呗。

module = nn.Linear(10,5)
mlp = nn.Sequential()
mlp:add(module)
print(module.weight)
print(module.bias)
print(module.gradWeight)
print(module.gradBias)
x = torch.Tensor(10) -- 10 inputs
y = module:forward(x)

运行后发现，只要初始化后网络，里面就有初始权值和偏置。但是gradBias和gradGradient不是很大就是很小，显然这是垃圾数据。现在有个问题，网络权值的初始化对整个网络的训练非常重要，torch是怎样自定义初始化权值的呢？我现在还没发现！先做个标记！

Dropout

module = nn.Dropout(p)

这个就是Dropout层。简单的说每一个神经元的输入将会以p的概率丢弃。这个方法是一个避免过拟合的正规化方法。可参见Improving neural networks by preventing co-adaptation of feature detectors

module = nn.Dropout()

> x = torch.Tensor{{1, 2, 3, 4}, {5, 6, 7, 8}}

> module:forward(x)
2   0   0   8
10   0  14   0
[torch.DoubleTensor of dimension 2x4]

> module:forward(x)
0   0   6   0
10   0   0   0
[torch.DoubleTensor of dimension 2x4]

可以看出，上面一些值被丢弃。

View

这个主要是改变网络输出的tensor的sizes，就是reshape一下。

module = nn.View(sizes)

如果是用view(-1)则可特别地用作minibatch的输入。

x = torch.Tensor(4, 4)
for i = 1, 4 do
for j = 1, 4 do
x[i][j] = (i-1)*4+j
end
end
print(nn.View(2, 8):forward(x))
--[[
1   2   3   4   5   6   7   8
9  10  11  12  13  14  15  16
]]

作为minibatch的输入！

> input = torch.Tensor(2, 3)
> minibatch = torch.Tensor(5, 2, 3)
> m = nn.View(-1):setNumInputDims(2)
> print(#m:forward(minibatch))

5
6
[torch.LongStorage of size 2] --每一行就是一个example的结果。

Normalize

module = nn.Normalize(p, [eps])

L-p范式进行归一化，eps默认是1e-10，防止输入全为0时除0的情况。

MM

module = nn.MM(transA,transB)

transA/transB 为true时，则对应的矩阵进行转置。

如果是3维矩阵，则第一维被理解成batches的num，转置只会对后面的两维进行。

module = nn.MM(true, false)
A = torch.randn(b,n,m)
B = torch.randn(b,n,p)
c = module:forward({A, B})
--[[
c是 b * m * p的
]]

简单层一个常见的Module是Add，放在下篇博客讲。因为会用简单层的Add模块讲手动挡训练演示。