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

注意

跳转到结尾 下载完整的示例代码。

神经网络#

创建日期：2017 年 3 月 24 日 | 最后更新：2025 年 12 月 03 日 | 最后验证：2024 年 11 月 05 日

可以使用 torch.nn 包构建神经网络。

现在您已经了解了 autograd 的一些知识，nn 依赖于 autograd 来定义模型并对其进行微分。一个 nn.Module 包含层，以及一个 forward(input) 方法，该方法返回 output。

例如，看一下这个用于分类数字图像的网络

convnet

convnet#

这是一个简单的前馈网络。它接收输入，通过几个层逐个传递，然后最终给出输出。

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

  • 遍历输入数据集

  • 通过网络处理输入

  • 计算损失（输出与正确答案的差距有多大）

  • 将梯度反向传播到网络的参数

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

定义网络#

让我们定义这个网络

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))
        # Fully connected 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)
)

您只需要定义 forward 函数，而 backward 函数（梯度计算的位置）将使用 autograd 为您自动定义。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])

让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，请将数据集的图像调整为 32x32。

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

tensor([[-0.0141,  0.0560, -0.1377,  0.0515, -0.0072,  0.1652, -0.0368,  0.0931,
         -0.0468, -0.0856]], 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 仅支持小批量。整个 torch.nn 包仅支持作为样本小批量输入的输入，而不支持单个样本。

例如，nn.Conv2d 将接收一个 4D Tensor，格式为 nSamples x nChannels x Height x Width。

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

在继续之前，让我们回顾一下到目前为止所见的所有类。

回顾

  • torch.Tensor - 一个支持 autograd 操作（如 backward()）的多维数组。还保存相对于张量的梯度。

  • nn.Module - 神经网络模块。方便地封装参数，并提供将其移动到 GPU、导出、加载等方面的帮助。

  • nn.Parameter - 一种 Tensor，当分配给 Module 的属性时，会自动注册为参数。

  • autograd.Function - 实现 autograd 操作的前向和后向定义。每个 Tensor 操作都会创建一个至少一个 Function 节点，该节点连接到创建 Tensor 的函数，并编码其历史记录。

到目前为止，我们已经涵盖了

  • 定义神经网络

  • 处理输入并调用 backward

还有待学习

  • 计算损失

  • 更新网络权重

损失函数#

损失函数接收 (output, target) 输入对，并计算一个值，该值估计输出与目标之间的距离。

nn 包下有几个不同的 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(1.3167, grad_fn=<MseLossBackward0>)

现在，如果您沿着 loss 的反向方向，使用其 .grad_fn 属性，您将看到一个计算图，如下所示

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

因此，当我们调用 loss.backward() 时，整个图将相对于神经网络参数进行微分，并且图中所有具有 requires_grad=True 的 Tensor 都会在其 .grad Tensor 中累积梯度。

为了说明，让我们向后跟踪几个步骤

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 0x7fbade1d1a50>
<AddmmBackward0 object at 0x7fbade1d1b40>
<AccumulateGrad object at 0x7fbadde9f310>

反向传播#

要反向传播误差，我们只需要 loss.backward()。您需要先将现有的梯度归零，否则梯度将累积到现有的梯度中。

现在我们将调用 loss.backward()，并查看 conv1 的偏差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([-0.0087, -0.0158, -0.0107, -0.0108, -0.0163,  0.0255])

现在，我们已经了解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，它们构成了深度神经网络的基础。完整的文档列表 在此。

剩下的唯一要学习的就是

  • 更新网络权重

更新权重#

在实践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

我们可以使用简单的 Python 代码来实现它

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

但是，随着您使用神经网络，您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

请注意，梯度缓冲区必须使用 optimizer.zero_grad() 手动设置为零。这是因为梯度会累积，如 反向传播 部分所述。

脚本总运行时间：（0 分钟 0.158 秒）

在此页面上
PyTorch 库