Pytorch入门——神经网络

上一篇博客对Pytorch包中的变量和梯度有了初步了解，接下来进入正题——用Pytorch中的torch.nn包实现神经网络。

1.Pytorch实现神经网络的典型训练过程

在这里以Lenet模型为例，由两个卷积层，两个池化层，以及两个全连接层组成。 卷积核大小为5*5，stride为1，采用MAX池化。以该网络分类数字图像为例：



Pytorch实现神经网络的典型训练过程如下：

定义具有一些可学习参数（权重）的神经网络

迭代输入数据

通过网络处理输入

计算损失

将梯度传播回到网络参数中

使用梯度下降更新网络权重，

weight = weight - learning_rate * gradient

2.定义网络

Lenet模型的Pytorch代码如下：

class Net(nn.Module):

def __init__(self):
super(Net, self).__init__()
# 1 input image channel, 6 output channels, 5x5 square convolution kernel
self.conv1 = nn.Conv2d(1, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
# an affine operation: y = Wx + b
self.fc1 = nn.Linear(16 * 5 * 5, 120)
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))
# If the size is a square you can only specify a single number
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:]  # all dimensions except the batch dimension
num_features = 1
for s in size:
num_features *= s
return num_features

net = Net()
print(net)

输出

Net (
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear (400 -> 120)
(fc2): Linear (120 -> 84)
(fc3): Linear (84 -> 10)
)

只需定义forward函数，并backward自动使用函数autograd，可以在forward功能中使用任何Tensor操作。

用net.parameters()返回模型学习的参数

params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1's .weight

输出

10
(6L, 1L, 5L, 5L)

前向传播的输入输出都是autograd.Variable

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

输出

Variable containing:
0.0809  0.0700  0.0478 -0.0280 -0.0281  0.1334 -0.0481  0.0195 -0.0522  0.1430
[torch.FloatTensor of size 1x10]

将随机梯度的所有参数和backprops的梯度缓冲区置零：

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

注意：

torch.nn

仅支持

mini-batch

，整个

torch.nn

软件包仅支持输入，这些输入是小批量样品，而不是单个样品。例如，nn.Conv2d将采用

nSamples x nChannels x Height x Width

的

4D Tensor

。如果有一个样本，只需使用

input.unsqueeze（0）

来添加假批量维。

3.损失函数

损失函数采用（输出，目标）输入对，并计算估计输出距离目标距离的值。

nn

包下有几种不同的损失函数，具体参考官网提供的损失函数说明。一个简单的损失是:

nn.MSELoss

，用于计算输入和目标之间的平均平方误差。

例如

output = net(input)
target = Variable(torch.arange(1, 11))  # a dummy target, for example
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)

输出

Variable containing:
38.1674
[torch.FloatTensor of size 1]

4.反向传播

要反向传播误差，只需要用

loss.backward()

，需要清除现有的梯度，否则渐变将累积到现有的梯度。

如下调用

loss.backward（）

，并且看看在

conv1

之前和之后的

conv1

的偏差梯度。

net.zero_grad()     # zeroes the gradient buffers of all parameters

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

输出

conv1.bias.grad before backward
Variable containing:
0
0
0
0
0
0
[torch.FloatTensor of size 6]

conv1.bias.grad after backward
Variable containing:
-0.1000
0.0343
-0.1194
-0.0136
-0.0767
0.0224
[torch.FloatTensor of size 6]

神经网络包包含形成深层神经网络、构建模块的各种模块和损失函数，官网提供一个完整的文档列表。

5.权重更新

实现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

用

python

具体实现如下:

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

torch.optim

提供了很多种更新方法，如

SGD、nesterov - SGD、Adam、RMSProp

等，使用起来很简单，如下：

import torch.optim as optim

# create your optimizer
optimizer = optim.SGD(net.parameters(), lr=0.01)

# in your training loop:
optimizer.zero_grad()   # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step()    # Does the update