評價此頁
★ ★ ★ ★ ★
beginner/blitz/neural_networks_tutorial

注意

轉到末尾 下載完整的示例程式碼。

神經網路#

創建於: 2017年3月24日 | 最後更新: 2024年5月6日 | 最後驗證: 2024年11月5日

您可以使用 torch.nn 包來構建神經網路。

既然您已經對 autograd 有了初步瞭解，那麼 nn 就依賴於 autograd 來定義模型並進行微分。 nn.Module 包含層，以及一個返回 output 的 forward(input) 方法。

例如，看看這個對數字影像進行分類的網路

convnet

convnet#

這是一個簡單的前饋網路。它接收輸入，依次透過多個層，然後最終輸出結果。

神經網路的典型訓練過程如下：

  • 定義一個具有可學習引數（或權重）的神經網路

  • 遍歷資料集的輸入

  • 透過網路處理輸入

  • 計算損失（輸出與正確答案的差距有多大）

  • 將梯度反向傳播到網路的引數中

  • 更新網路的權重，通常使用簡單的更新規則：weight = weight - learning_rate * gradient

定義網路#

我們來定義這個網路

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 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)  # 5*5 from image dimension
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, input):
        # Convolution layer C1: 1 input image channel, 6 output channels,
        # 5x5 square convolution, it uses RELU activation function, and
        # outputs a Tensor with size (N, 6, 28, 28), where N is the size of the batch
        c1 = F.relu(self.conv1(input))
        # Subsampling layer S2: 2x2 grid, purely functional,
        # this layer does not have any parameter, and outputs a (N, 6, 14, 14) Tensor
        s2 = F.max_pool2d(c1, (2, 2))
        # Convolution layer C3: 6 input channels, 16 output channels,
        # 5x5 square convolution, it uses RELU activation function, and
        # outputs a (N, 16, 10, 10) Tensor
        c3 = F.relu(self.conv2(s2))
        # Subsampling layer S4: 2x2 grid, purely functional,
        # this layer does not have any parameter, and outputs a (N, 16, 5, 5) Tensor
        s4 = F.max_pool2d(c3, 2)
        # Flatten operation: purely functional, outputs a (N, 400) Tensor
        s4 = torch.flatten(s4, 1)
        # Fully connected layer F5: (N, 400) Tensor input,
        # and outputs a (N, 120) Tensor, it uses RELU activation function
        f5 = F.relu(self.fc1(s4))
        # Fully connected layer F6: (N, 120) Tensor input,
        # and outputs a (N, 84) Tensor, it uses RELU activation function
        f6 = F.relu(self.fc2(f5))
        # Gaussian layer OUTPUT: (N, 84) Tensor input, and
        # outputs a (N, 10) Tensor
        output = self.fc3(f6)
        return output


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)
)

您只需要定義 forward 函式，而 backward 函式（計算梯度的地方）會透過 autograd 自動為您定義。您可以在 forward 函式中使用任何 Tensor 操作。

模型的可學習引數可以透過 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])

我們來嘗試一個隨機的 32x32 輸入。注意：該網路（LeNet）的預期輸入大小為 32x32。要在此網路上使用 MNIST 資料集，請將資料集中的影像調整為 32x32。

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

tensor([[-0.0022, -0.1108,  0.1433, -0.0090, -0.1501,  0.0117, -0.0448,  0.0890,
          0.0395,  0.0250]], grad_fn=<AddmmBackward0>)

清零所有引數的梯度緩衝區，並用隨機梯度進行反向傳播。

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

注意

torch.nn 只支援 mini-batch。整個 torch.nn 包僅支援 mini-batch 樣本的輸入，而不支援單個樣本。

例如，nn.Conv2d 將接收一個 4D Tensor，格式為 nSamples x nChannels x Height x Width。

如果您只有一個樣本，只需使用 input.unsqueeze(0) 新增一個假的批次維度。

在繼續之前，讓我們回顧一下您到目前為止看到的所有類。

回顧

  • torch.Tensor - 一個支援 backward() 等自動微分操作的多維陣列。它也儲存了相對於該 Tensor 的梯度。

  • nn.Module - 神經網路模組。封裝引數的便捷方式，並提供將引數移動到 GPU、匯出、載入等輔助功能。

  • nn.Parameter - 一種 Tensor，當作為屬性分配給 Module 時，它會被自動註冊為引數。

  • autograd.Function - 實現自動微分操作的前向和後向定義。每個 Tensor 操作至少會建立一個 Function 節點，該節點連線到建立 Tensor 的函式，並編碼其歷史記錄。

此時，我們已經涵蓋了

  • 定義神經網路

  • 處理輸入和呼叫 backward

待完成

  • 計算損失

  • 更新網路權重

損失函式#

損失函式接收 (output, target) 對輸入，並計算一個值，該值估算輸出與目標的差距有多大。

nn 包中包含多種損失函式。一個簡單的損失是：nn.MSELoss，它計算輸出和目標之間的均方誤差。

例如

output = net(input)
target = torch.randn(10)  # a dummy target, for example
target = target.view(1, -1)  # make it the same shape as output
criterion = nn.MSELoss()

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

tensor(0.9673, grad_fn=<MseLossBackward0>)

現在，如果您透過 loss 的 .grad_fn 屬性反向傳播，您將看到一個如下所示的計算圖：

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

因此，當我們呼叫 loss.backward() 時，整個圖將相對於神經網路引數進行微分，並且圖中所有 requires_grad=True 的 Tensor 都將透過累積梯度來更新其 .grad Tensor。

為了說明，讓我們向後追蹤幾個步驟。

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

<MseLossBackward0 object at 0x7fadecb73820>
<AddmmBackward0 object at 0x7fadecb73dc0>
<AccumulateGrad object at 0x7fadecb73100>

反向傳播#

要反向傳播誤差，我們只需要呼叫 loss.backward()。但是，您需要先清零現有的梯度，否則梯度將累積到現有梯度上。

現在，我們將呼叫 loss.backward()，並檢視 conv1 的偏置梯度在反向傳播之前和之後。

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)

conv1.bias.grad before backward
None
conv1.bias.grad after backward
tensor([ 0.0273, -0.0096, -0.0059, -0.0020,  0.0224,  0.0143])

現在，我們已經看到了如何使用損失函式。

稍後閱讀

神經網路包包含構成深度神經網路構建塊的各種模組和損失函式。完整的文件列表在此處：這裡。

唯一剩下要學習的是

  • 更新網路權重

更新權重#

實踐中最簡單的更新規則是隨機梯度下降 (SGD)。

weight = weight - learning_rate * gradient

我們可以用簡單的 Python 程式碼來實現這一點。

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

然而，當您使用神經網路時，您可能想要使用各種不同的更新規則，如 SGD、Nesterov-SGD、Adam、RMSProp 等。為了實現這一點，我們構建了一個小型包：torch.optim，它實現了所有這些方法。使用起來非常簡單。

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

注意

請注意，梯度緩衝區必須手動清零，使用 optimizer.zero_grad()。這是因為梯度是累積的，如反向傳播部分所述。

指令碼總執行時間: (0 分鐘 0.358 秒)

在此頁面上
PyTorch 庫