·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
·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
·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): # 一个初始化函数
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,卷积和大小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,卷积和大小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
# 维度扁平化
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)
·输出结果
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)
)
·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())#用list进行封装
print(len(params))
print(params[0].size())
·输出结果
10
torch.Size([6, 1, 3, 3])
·假设图像的输入尺寸为32*32:
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
·输出结果
tensor([[ 0.1065, 0.0852, 0.0484, 0.0806, -0.0398, -0.0307, -0.1036, -0.0510,
-0.1005, 0.0150]], grad_fn=<addmmbackward>)</addmmbackward>
·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))
·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.MESLoss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)
·输出结果
tensor(0.8401, grad_fn=<mselossbackward>)</mselossbackward>
·关于方向传播的链条:如果我们跟踪loss反向传播方向,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
·输出结果
<mselossbackward object at 0x000001bdff5c7e80>
<addmmbackward object at 0x000001bdffb42710>
<accumulategrad object at 0x000001bdffb42710></accumulategrad></addmmbackward></mselossbackward>
·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)
·输出结果
conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([-0.0007, 0.0024, 0.0136, 0.0216, 0.0032, 0.0132])
·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opotim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()
·构建一个神经网络的典型流程
·定义一个拥有的学习参数的神经网络
·遍历数据集
·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
·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。
·反向传播的计算方法”
·在Pytorch中执行反向传播非常简便,全部操作就是loss.backward().
·在执行反向操作前,要先将梯度清零,否则梯度不同的批次数据之间被累加
·net.zero_grad()
·loss.backward()
·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()
Original: https://blog.csdn.net/weixin_57231611/article/details/120915867
Author: 赵有才er
Title: 使用Pytorch构建一个神经网络
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/688638/
转载文章受原作者版权保护。转载请注明原作者出处!