评价此页
★ ★ ★ ★ ★
beginner/blitz/neural_networks_tutorial

注意

转到末尾 下载完整示例代码。

神经网络#

创建日期：2017 年 3 月 24 日 | 最后更新：2024 年 5 月 6 日 | 最后验证：2024 年 11 月 5 日

神经网络可以使用 torch.nn 包构建。

现在您已经对 autograd 有了初步了解，nn 依赖于 autograd 来定义模型并对其进行微分。nn.Module 包含层，以及一个 forward(input) 方法，该方法返回 output。

例如，看看这个分类数字图像的网络

convnet

卷积网络#

这是一个简单的前馈网络。它接收输入，通过多个层依次进行处理，最后给出输出。

神经网络的典型训练过程如下

  • 定义具有一些可学习参数（或权重）的神经网络

  • 迭代输入数据集

  • 通过网络处理输入

  • 计算损失（输出与正确值之间的距离）

  • 将梯度反向传播回网络参数

  • 更新网络权重，通常使用简单的更新规则：weight = weight - learning_rate * gradient

定义网络#

我们来定义这个网络

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


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 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)
)

您只需定义 forward 函数，而 backward 函数（计算梯度）将使用 autograd 自动为您定义。您可以在 forward 函数中使用任何 Tensor 操作。

模型的学习参数由 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])

我们尝试一个随机的 32x32 输入。注意：此网络（LeNet）的预期输入大小为 32x32。要在 MNIST 数据集上使用此网络，请将数据集中的图像大小调整为 32x32。

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

tensor([[ 0.0666,  0.1618,  0.1587,  0.0367,  0.0014, -0.0017, -0.0676, -0.0232,
          0.0410,  0.0582]], grad_fn=<AddmmBackward0>)

将所有参数的梯度缓冲区归零，并使用随机梯度进行反向传播

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

注意

torch.nn 仅支持 mini-batches。整个 torch.nn 包仅支持作为样本 mini-batch 的输入，而不支持单个样本。

例如，nn.Conv2d 将接收一个 4D Tensor，其维度为 nSamples x nChannels x Height x Width。

如果您只有一个样本，只需使用 input.unsqueeze(0) 添加一个假的批次维度。

在进一步操作之前，让我们回顾一下您目前为止看到的所有类。

回顾

  • torch.Tensor - 一个支持 backward() 等自动求导操作的多维数组。还持有关于张量的梯度。

  • nn.Module - 神经网络模块。方便封装参数，并提供将其移动到 GPU、导出、加载等辅助功能。

  • nn.Parameter - 一种张量，当作为属性分配给 Module 时，会自动注册为参数。

  • autograd.Function - 实现自动求导操作的前向和后向定义。每个 Tensor 操作都会至少创建一个 Function 节点，该节点连接到创建 Tensor 的函数并编码其历史。

至此，我们已经介绍了

  • 定义神经网络

  • 处理输入并调用 backward

仍未完成

  • 计算损失

  • 更新网络权重

损失函数#

损失函数接受（输出，目标）对输入，并计算一个值来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，它计算输出和目标之间的均方误差。

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(1.4773, grad_fn=<MseLossBackward0>)

现在，如果您沿着 loss 的反向方向跟踪，使用其 .grad_fn 属性，您将看到一个计算图，它看起来像这样

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

所以，当我们调用 loss.backward() 时，整个图将对神经网络参数进行微分，并且图中所有 requires_grad=True 的张量都将累积其 .grad 张量中的梯度。

为作说明，我们倒退几步

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 0x7f28d8c20bb0>
<AddmmBackward0 object at 0x7f28d8c207f0>
<AccumulateGrad object at 0x7f28d8c22ce0>

反向传播#

要反向传播错误，我们只需执行 loss.backward()。不过，您需要清除现有梯度，否则梯度会累积到现有梯度中。

现在我们将调用 loss.backward()，并查看 conv1 的偏置梯度在反向传播之前和之后的变化。

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([ 0.0054, -0.0004, -0.0060, -0.0005,  0.0099,  0.0244])

现在，我们已经看到了如何使用损失函数。

稍后阅读

神经网络包包含各种模块和损失函数，它们是深度神经网络的构建块。完整列表及文档在此。

唯一需要学习的是

  • 更新网络权重

更新权重#

实践中最简单的更新规则是随机梯度下降（SGD）

weight = weight - learning_rate * gradient

我们可以用简单的 Python 代码来实现这一点

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

然而，当您使用神经网络时，您会希望使用各种不同的更新规则，例如 SGD、Nesterov-SGD、Adam、RMSProp 等。为了实现这一点，我们构建了一个小包：torch.optim，它实现了所有这些方法。使用它非常简单

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

注意，必须使用 optimizer.zero_grad() 手动将梯度缓冲区设置为零。这是因为梯度是累积的，如 反向传播 部分所述。

脚本总运行时间： (0 分钟 0.137 秒)

在此页面上
PyTorch 库