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

注意

转到末尾 下载完整的示例代码。

神经网络#

创建于: 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

您可以使用 torch.nn 包来构建神经网络。

既然您已经对 autograd 有了初步了解，那么 nn 就依赖于 autograd 来定义模型并进行微分。 nn.Module 包含层，以及一个返回 output 的 forward(input) 方法。

例如，看看这个对数字图像进行分类的网络

convnet

convnet#

这是一个简单的前馈网络。它接收输入，依次通过多个层，然后最终输出结果。

神经网络的典型训练过程如下：

  • 定义一个具有可学习参数（或权重）的神经网络

  • 遍历数据集的输入

  • 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中

  • 更新网络的权重，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)
)

您只需要定义 forward 函数，而 backward 函数（计算梯度的地方）会通过 autograd 自动为您定义。您可以在 forward 函数中使用任何 Tensor 操作。

模型的可学习参数可以通过 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])

我们来尝试一个随机的 32x32 输入。注意：该网络（LeNet）的预期输入大小为 32x32。要在此网络上使用 MNIST 数据集，请将数据集中的图像调整为 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>)

清零所有参数的梯度缓冲区，并用随机梯度进行反向传播。

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

注意

torch.nn 只支持 mini-batch。整个 torch.nn 包仅支持 mini-batch 样本的输入，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) 添加一个假的批次维度。

在继续之前，让我们回顾一下您到目前为止看到的所有类。

回顾

  • torch.Tensor - 一个支持 backward() 等自动微分操作的多维数组。它也保存了相对于该 Tensor 的梯度。

  • nn.Module - 神经网络模块。封装参数的便捷方式，并提供将参数移动到 GPU、导出、加载等辅助功能。

  • nn.Parameter - 一种 Tensor，当作为属性分配给 Module 时，它会被自动注册为参数。

  • autograd.Function - 实现自动微分操作的前向和后向定义。每个 Tensor 操作至少会创建一个 Function 节点，该节点连接到创建 Tensor 的函数，并编码其历史记录。

此时，我们已经涵盖了

  • 定义神经网络

  • 处理输入和调用 backward

待完成

  • 计算损失

  • 更新网络权重

损失函数#

损失函数接收 (output, target) 对输入，并计算一个值，该值估算输出与目标的差距有多大。

nn 包中包含多种损失函数。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(0.9673, grad_fn=<MseLossBackward0>)

现在，如果您通过 loss 的 .grad_fn 属性反向传播，您将看到一个如下所示的计算图：

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 requires_grad=True 的 Tensor 都将通过累积梯度来更新其 .grad Tensor。

为了说明，让我们向后追踪几个步骤。

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

反向传播#

要反向传播误差，我们只需要调用 loss.backward()。但是，您需要先清零现有的梯度，否则梯度将累积到现有梯度上。

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。

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])

现在，我们已经看到了如何使用损失函数。

稍后阅读

神经网络包包含构成深度神经网络构建块的各种模块和损失函数。完整的文档列表在此处：这里。

唯一剩下要学习的是

  • 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，您可能想要使用各种不同的更新规则，如 SGD、Nesterov-SGD、Adam、RMSProp 等。为了实现这一点，我们构建了一个小型包：torch.optim，它实现了所有这些方法。使用起来非常简单。

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，梯度缓冲区必须手动清零，使用 optimizer.zero_grad()。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 0.358 秒)

在此页面上
PyTorch 库