神经网络(Neural Network --nn)

可以使用torch.nn包来构建神经网络。之前已经介绍了autograd包，nn包则依赖于autograd包来定义模型并对它们求导。nn.Module包含层，以及返回output的方法forward(input)。

例如：一个数图像识别

这是一个简单的前馈神经网络(feed-forward network)。它接受一个输入，然后将它送入下一层，一层接一层的传递，最后给出输出.

1. 一个神经网络的训练过程如下：

1. 定义包含一些可学习参数(或权重）的神经网络
2. 遍历输入数据集
3. 通过网络处理输入
4. 计算loss(输出和正确答案的距离）
5. 将梯度反向传播给网络的参数
6. 更新网络的权重，一般使用一个简单的规则：weight = weight - learning_rate * gradient

2. 定义网络：

import torch
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 输入图像channel：1；输出channel：6；5x5卷积核 6个
        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):
        # 2x2 Max pooling,先卷积+relu，再2 x 2下采样
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # 如果是方阵,则可以只使用一个数字进行定义
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        #将特征向量扁平成行向量
        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:]  # 除去批处理维度的其他所有维度
        num_features = 1
        for s in size:
            num_features *= s
        return num_features


net = Net()
print(net)

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(in_features=400, 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)
)

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函数中使用任何张量操作。

模型的可学习参数通过net.parameters()返回:

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

10
torch.Size([6, 1, 5, 5])

2.1 随机输入，查看输出

让我们尝试一个32x32随机输入。 注意：该网络的预期输入大小（LeNet）为32x32。 要在 MNIST 数据集上使用此网络，请将图像从数据集中调整为32x32.

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

tensor([[-0.1221, -0.0510, -0.1360, -0.0879,  0.0333,  0.0496,  0.0247, -0.0319,
          0.0865, -0.0089]], grad_fn=<AddmmBackward>)

注意：这里的张量有4维

• dim0:样本个数n
• dim1:通道数D
• dim2:图片高度H
• dim3:图片宽度W

2.2 梯度清零并随机化梯度

使用随机梯度将所有参数和反向传播的梯度缓冲区归零：

net.zero_grad()
out.backward(torch.randn(1, 10)) # out的大小是1x10的

注意:

torch.nn仅支持小批量。 整个torch.nn包仅支持作为微型样本而不是单个样本的输入。

例如，nn.Conv2d将采用nSamples x nChannels x Height x Width的 4D 张量。

如果您只有一个样本，只需使用input.unsqueeze(0)添加一个假批量尺寸。

3. 损失函数

损失函数采用一对（输出，目标）输入，并计算一个值，该值估计输出与目标之间的距离。

nn包下有几种不同的损失函数。 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。

output = net(input) # 网络计算出来的值
target = torch.randn(10)  # a dummy target, for example 真值
target = target.view(1, -1)  # make it the same shape as output #变成行向量
criterion = nn.MSELoss()

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

tensor(0.8648, grad_fn=<MseLossBackward>)

现在，如果使用.grad_fn属性向后跟随loss，您将看到一个计算图，如下所示：

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

<MseLossBackward object at 0x00000144AAB8C5C8>
<AddmmBackward object at 0x00000144AAB9CE88>
<AccumulateGrad object at 0x00000144AAB9CF88>

4. 反向传播

我们只需要调用loss.backward()来反向传播误差。我们需要清零现有的梯度，否则梯度将会与已有的梯度累加。

现在，我们将调用loss.backward()，并查看conv1层的偏置(bias）在反向传播前后的梯度。

net.zero_grad()     # 清零所有参数(parameter）的梯度缓存

print('反向传播前的梯度')
print(net.conv1.bias.grad)

loss.backward()

print('反向传播后的梯度')
print(net.conv1.bias.grad)

反向传播前的梯度
tensor([0., 0., 0., 0., 0., 0.])
反向传播后的梯度
tensor([-0.0132,  0.0018,  0.0105, -0.0136, -0.0132,  0.0027])

5.更新权重

为了简单,有现成的优化包：torch.optim

import torch.optim as optim

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

# 清除梯度
optimizer.zero_grad()   
output = net(input)
loss = criterion(output, target) # loss用的是交叉熵
loss.backward()
# 更新权重
optimizer.step()  

到此，我们的网络已经搭建成功，下一步是训练网络。

参考：PyTorch中文文档