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

神经网络可以使用torch.nn包来构建。

现在你已经对autograd有了初步了解，nn依赖于 autograd来定义模型并对它们进行微分。 一个nn.Module包含层，以及一个返回output的 forward(input)方法。

例如，看看这个分类数字图像的神经网络：

卷积神经网络

这是一个简单的前馈网络。它接收输入，将其通过多个层依次传递，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

• 遍历输入数据集

• 通过网络处理输入

• 计算损失（输出与正确值的差距）

• 将梯度传播回网络的参数中

• 更新网络的权重，通常使用一个简单的更新规则： 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))
        # 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)
)

你只需要定义forward函数，而backward函数（用于计算梯度）会自动为你定义，使用autograd。你可以在forward函数中使用任何张量操作。

模型的可学习参数由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，请将数据集中的图像调整为32x32。

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

tensor([[ 0.1453, -0.0590, -0.0065,  0.0905,  0.0146, -0.0805, -0.1211, -0.0394,
         -0.0181, -0.0136]], grad_fn=<AddmmBackward0>)

将所有参数的梯度缓冲区和随机梯度的反向传播清零：

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

注意

torch.nn 仅支持小批量数据。整个 torch.nn 包仅支持输入为小批量样本，而不是单个样本。

例如，nn.Conv2d 将接受一个4D张量 nSamples x nChannels x Height x Width。

如果你有一个单独的样本，只需使用 input.unsqueeze(0) 来添加一个假的批次维度。

在继续之前，让我们回顾一下到目前为止你见过的所有类。

Recap:

• torch.Tensor - 一个支持自动梯度操作的多维数组，例如backward()。同时保存了相对于张量的梯度。

• nn.Module - 神经网络模块。封装参数的便捷方式，带有帮助程序，可以将它们移动到GPU、导出、加载等。

• 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 - 实现自动梯度操作的前向和后向定义。每个Tensor操作至少创建一个Function节点，该节点连接到创建Tensor的函数，并编码其历史。

At this point, we covered:

• 定义一个神经网络

• 处理输入并调用反向传播

Still Left:

• 计算损失

• 更新网络的权重

损失函数

损失函数接收（输出，目标）这对输入，并计算一个值来估计输出与目标之间的距离。

在nn包下有几种不同的 损失函数。 一个简单的损失函数是：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(1.3619, grad_fn=<MseLossBackward0>)

现在，如果你沿着loss的反向方向，使用它的 .grad_fn属性，你会看到一个计算图，看起来 像这样：

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，整个图会相对于神经网络参数进行微分，并且图中所有具有requires_grad=True的张量都会将其.grad张量累积梯度。

为了说明，让我们回顾几个步骤：

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 0x7f94bc735240>
<AddmmBackward0 object at 0x7f94bc7353c0>
<AccumulateGrad object at 0x7f94bc737070>

反向传播

为了反向传播误差，我们只需要执行loss.backward()。 不过你需要清除现有的梯度，否则梯度将会累积到现有的梯度上。

现在我们将调用 loss.backward()，并查看反向传播前后 conv1 的偏置梯度。

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([ 0.0081, -0.0080, -0.0039,  0.0150,  0.0003, -0.0105])

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，这些是深度神经网络的构建块。完整的文档列表在这里。

唯一剩下要学习的是：

• 更新网络的权重

更新权重

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代码来实现这一点：

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

然而，当你使用神经网络时，你可能希望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

观察梯度缓冲区如何需要手动设置为零，使用 optimizer.zero_grad()。这是因为梯度是累积的， 如反向传播部分所解释的。