PyTorch神经网络搭建入门

这里演示了使用Pytorch搭建神经网络的基本方法，需要说明的是，本文中作为示例的数学函数估算其实并不适合神经网络方法，建议使用 statsmodels或skleran。

技术路线

不管多复杂的神经网络，都需要以下步骤进行网络定义和参数优化：

定义网络：定义网络结构，通过继承torch.nn.Module类实现，包括两部分，即各网络层的声明，和信息在网络层之间的传递关系；

class Net(torch.nn.Module):def __init__(self):super(Net,self).__init__()#使用父类的构造方法'''这里添加神经网络的层级结构'''def forward(self,x):'''这里编写数据在各层级中的传递方法'''return y

定义优化器，选择库中的经典优化器，或者自行设计优化器，优化器参数一般为网络结构和单次训练的学习率，如optimizer=torch.optim.SGD(net.parameters(),lr=0.5)；
定义损失函数，损失函数即计算预测结果与实际结果的差异，可以使用库中提供的方法，如loss_f=torch.nn.MSELoss()；
在定义完之后，开始一次一次的循环，对神经网络的参数（在PyTorch中是隐藏的）进行优化：

①先清空优化器里的梯度信息，optimizer.zero_grad();

②再将input传入，output=net(input) ，正向传播

③计算损失，loss=compute_loss(target,output) ，计算模型输出与真实值的误差；

④误差反向传播，loss.backward()，将误差传递回神经网络的各层；

⑤更新参数，optimizer.step()，更新神经网络参数。

安装

打开Pytorch官方网站，https://pytorch.org/get-started/locally/，选择版本、系统、安装方式、语言平台、CPU和GPU配置（装有英伟达显卡的电脑可以选择“CUDA”，否则选择“CPU”），然后将下方生成的代码复制到命令行。

引入模块

引入搭建神经网络的必备模块

import torch as t
from torch import nn
import torch.nn.functional as F
from torch.autograd import Variable as V

生成数据

使用Python自带功能，生成一组模拟数据

from random import random#生成范围在（0，1）随机数x=[random() for i in range(100)]#生成100个随机自变量
y=[xx**2+0.2*random()-0.2*random() for xx in  x]
#生成相应的因变量，并添加随机误差

查看生成的数据图像

import matplotlib.pyplot as plt#用于显示图像
plt.scatter(x,y)
plt.show()

将列表（list）格式的数据转换为PyTorch张量（tensor），修改数据形状成为100×1的二维张量，再转换为变量（Variable ）

x,y=t.tensor(x),t.tensor(y)#转换为tensor
x=x.view(-1,1)#修改张量形状，-1代表自动设定长度
y=y.view(-1,1)
x,y=V(x),V(y)

定义网络结构

网络结构对象通过继承torch.nn.Module来实现，对象中必须定义__init__()和forward()函数。
其中__init__()中定义了神经网络的结构，forward()定义了数据在神经网络中传递方式，调用模型即调用forward()。

class Net(nn.Module):def __init__(self,n_feature,n_hidden,n_output):super(Net,self).__init__()#使用父类的构造方法self.hidden=nn.Linear(n_feature,n_hidden)#定义一个隐藏层self.predict=nn.Linear(n_hidden,n_output)#定义一个输出层def forward(self,x):x=F.relu(self.hidden(x))x=self.predict(x)return xnet=Net(1,10,1)#实例化对象
print(net)#查看网络结构
'''
输出为：
Net((hidden): Linear(in_features=1, out_features=10, bias=True)(predict): Linear(in_features=10, out_features=1, bias=True)
)
'''

选择优化器和损失函数

根据具体情况选择PyTorch中提供优化器和损失函数，这里仅作为示例。

opt=t.optim.SGD(net.parameters(),lr=0.5)#第一个参数为模型信息，第二个参数为学习率
loss_f=nn.MSELoss()

模型训练

通过反复训练，进行模型优化

for epoch in range(100):pre=net(x)#使用模型进行预测loss=loss_f(pre,y)#比较预测结果和真实值，计算损失值opt.zero_grad()#每次计算梯度前将梯度清零loss.backward()#损失值沿模型反向传递opt.step()#使用优化器更新模型print(epoch,loss)#查看损失

模型应用

使用模型进行预测

z=t.tensor([[0.5]])#定义一个张量
net(z)#预测结果
'''
输出：
tensor([[0.2511]])
'''

保存模型

将模型保存为文件，以便进行其他操作

t.save(net, 'net.pkl')#保存模型，参数为模型对象和文件名
net2 = t.load('net.pkl')#从已保存的模型文件加载

全部代码

import torch as t
from torch import nn
import torch.nn.functional as F
from torch.autograd import Variable as V
import matplotlib.pyplot as plt
from random import random#生成数据
x=[random() for i in range(100)]
y=[xx**2+0.2*random()-0.2*random() for xx in  x]
plt.scatter(x,y)
plt.show()#数据转化为Pytorch变量
x,y=t.tensor(x),t.tensor(y)
x=x.view(-1,1)
y=y.view(-1,1)
x,y=V(x),V(y)#定义神经网络
class Net(nn.Module):def __init__(self,n_feature,n_hidden,n_output):super(Net,self).__init__()self.hidden=nn.Linear(n_feature,n_hidden)self.predict=nn.Linear(n_hidden,n_output)def forward(self,x):x=F.relu(self.hidden(x))x=self.predict(x)return xnet=Net(1,10,1)
print(net)#选择优化器
opt=t.optim.SGD(net.parameters(),lr=0.5)
loss_f=nn.MSELoss()#训练模型
for epoch in range(100):pre=net(x)loss=loss_f(pre,y)opt.zero_grad()loss.backward()opt.step()print(epoch,loss)#模型应用
z=t.tensor([[0.5]])
net(z)#保存和读取模型
t.save(net, 'net.pkl')
net2 = t.load('net.pkl')