使用pytorch构建一个神经网络、损失函数、反向传播、更新网络参数

关于torch.nn:
- 使用Pytorch来构建神经网络, 主要的工具都在torch.nn包中.
- nn依赖于autograd来定义模型, 并对其自动求导.

构建神经网络的典型流程:

定义一个拥有可学习参数的神经网络

遍历训练数据集

处理输入数据使其流经神经网络

计算损失值

将网络参数的梯度进行反向传播

以一定的规则更新网络的权重

我们首先定义一个Pytorch实现的神经网络:

#  导入若干工具包
import torch
import torch.nn as nn
import torch.nn.functional as F#  定义一个简单的网络
class Net(nn.Module):def __init__(self):super().__init__()#  定义第一层卷积神经网络，输入通道维度为1，输出通道维度为6，卷积核大小为3*3self.conv1 = nn.Conv2d(1, 6, 3)#  定义第二层卷积神经网络，输入通道为6，输出通道维度为16，卷积核大小为3*3self.conv2 = nn.Conv2d(6, 16, 3)#  定义三层全连接层网络self.fc1 = nn.Linear(16 * 6 * 6, 120)self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)  # 最终输出的结果要分为10类def forward(self, x):#  注意：任何卷积层后面要加激活层、池化层#  在（2，2）的池化窗口下执行最大池化操作x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))x = F.max_pool2d(F.relu(self.conv2(x)), 2)#  经过卷积层的处理后，张量要进入全连接层，进入前需要调整张量的形状x = x.view(-1, self.num_flat_features(x))x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)return xdef num_flat_features(self, x):#  计算size，除了第0个维度上的batch_sizesize = x.size()[1:]num_features = 1for s in size:num_features *= sreturn num_featuresnet = Net()
print(net)

运行效果：

注意:
- 模型中所有的可训练参数, 可以通过net.parameters()来获得.

print(net.parameters())  # <generator object Module.parameters at 0x00000167595C8C48>
params = list(net.parameters())
print(len(params))
# for i in params:
#     print(i)
print(params[0].size())

假设图像的输入尺寸为32 * 32:

#  假设图像的输入尺寸为32 * 32
input_value = torch.randn(1, 1, 32, 32)
output = net(input_value)
print(output)

有了输出张量后, 就可以执行梯度归零和反向传播的操作了.

net.zero_grad()
output.backward()

注意:
- torch.nn构建的神经网络只支持mini-batches的输入, 不支持单一样本的输入.
- 比如: nn.Conv2d 需要一个4D Tensor, 形状为(nSamples, nChannels, Height, Width). 如果你的输入只有单一样本形式, 则需要执行input.unsqueeze(0), 主动将3D Tensor扩充成4D Tensor.

损失函数

损失函数的输入是一个输入的pair: (output, target), 然后计算出一个数值来评估output和target之间的差距大小.
在torch.nn中有若干不同的损失函数可供使用, 比如nn.MSELoss就是通过计算均方差损失来评估输入和目标值之间的差距.
通过loss.backward()进行反向传播计算时, 整张计算图将对loss进行自动求导, 所有属性requires_grad=True的Tensors都将参与梯度求导的运算, 并将梯度累加到Tensors中的.grad属性中.

应用nn.MSELoss计算损失的一个例子

target = torch.randn(10)
#  改变target的形状为二维张量，为了和output匹配
target = target.view(1, -1)  # 第一个维度设置为1，第二个维度自动适配维度为10
criterion = nn.MSELoss()loss = criterion(output, target)
print(loss)

关于方向传播的链条: 如果我们跟踪loss反向传播的方向, 使用.grad_fn属性打印, 将可以看到一张完整的计算图如下:

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

当调用loss.backward()时, 整张计算图将对loss进行自动求导, 所有属性requires_grad=True的Tensors都将参与梯度求导的运算, 并将梯度累加到Tensors中的.grad属性中.

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

反向传播(backpropagation)

在Pytorch中执行反向传播非常简便, 全部的操作就是loss.backward().
在执行反向传播之前, 要先将梯度清零, 否则梯度会在不同的批次数据之间被累加.
net.zero_grad()
loss.backward()

执行一个反向传播的小例子:

# Pytorch中执行梯度清零的代码
net.zero_grad()print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)# Pytorch中执行反向传播的代码
loss.backward()print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

更新网络参数

更新参数最简单的算法就是SGD(随机梯度下降).
具体的算法公式表达式为: weight = weight - learning_rate * gradient

首先用传统的Python代码来实现SGD如下:

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

然后使用Pytorch官方推荐的标准代码如下:

# 首先导入优化器的包, optim中包含若干常用的优化算法, 比如SGD, Adam等
import torch.optim as optim# 通过optim创建优化器对象
optimizer = optim.SGD(net.parameters(), lr=0.01)# 将优化器执行梯度清零的操作
optimizer.zero_grad()output = net(input_value)
loss = criterion(output, target)# 对损失值执行反向传播的操作
loss.backward()
#  参数的更新通过一行标准代码来执行
optimizer.step()

参数的更新方法:

定义优化器来执行参数的优化与更新.
- optimizer = optim.SGD(net.parameters(), lr=0.01)
通过优化器来执行具体的参数更新.
- optimizer.step()

使用pytorch构建一个神经网络、损失函数、反向传播、更新网络参数相关推荐

快速入门PyTorch(2)--如何构建一个神经网络
2019 第 43 篇,总第 67 篇文章本文大约 4600 字,阅读大约需要 10 分钟快速入门 PyTorch 教程第二篇,这篇介绍如何构建一个神经网络.上一篇文章: 快速入门Pytorch( ...
深度学习笔记--pytorch从梯度下降到反向传播BP到线性回归实现，以及API调用和手写数据集的实现
梯度下降和反向传播目标知道什么是梯度下降知道什么是反向传播 1. 梯度是什么? 梯度:是一个向量,导数+变化最快的方向(学习的前进方向) 回顾机器学习收集数据 x x x ,构建机器学习模型 ...
深度学习与计算机视觉教程(4) | 神经网络与反向传播（CV通关指南·完结）
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/37 本文地址:https://www.showmeai.tech/article-d ...
Andrej Karpathy | 详解神经网络和反向传播（基于micrograd）
只要你懂 Python,大概记得高中学过的求导知识,看完这个视频你还不理解反向传播和神经网络核心要点的话,那我就吃鞋:D Andrej Karpathy,前特斯拉 AI 高级总监.曾设计并担任斯坦福深 ...
【中英字幕】Andrej Karpathy | 详解神经网络和反向传播（基于micrograd）- 知识点目录
[中英字幕]Andrej Karpathy | 详解神经网络和反向传播(基于micrograd) 00:00:00 介绍 00:00:25 micrograd概述 00:08:08 只有一个输入的简单 ...
机器学习笔记丨神经网络的反向传播原理及过程（图文并茂+浅显易懂）
文章目录一.前言二.神经网络的前向传播原理 1. 单个神经元的计算 2. 神经元在神经网络中的计算三.反向传播算法内容(请静下心,一步一步的看) Step1 计算误差 Step2 更新权重四. ...
神经网络之反向传播算法（均方根反向传播算法RMSProp）
文章目录均方根反向传播算法(RMSProp) 1.算法原理 2.算法实现 2.1 训练过程 2.2 测试过程及结果 3.参考源码及数据集均方根反向传播算法(RMSProp) 自适应梯度算法(Ada ...
深度学习与自然语言处理教程(3) - 神经网络与反向传播（NLP通关指南·完结）
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/36 本文地址:https://www.showmeai.tech/article-d ...
卷积神经网络(CNN)反向传播算法推导
作者丨南柯一梦宁沉沦@知乎(已授权) 来源丨https://zhuanlan.zhihu.com/p/61898234 编辑丨极市平台导读在本篇文章中我们将从直观感受和数学公式两方面来介绍CNN反 ...

使用pytorch构建一个神经网络、损失函数、反向传播、更新网络参数

构建神经网络的典型流程:

损失函数

反向传播(backpropagation)

更新网络参数

使用pytorch构建一个神经网络、损失函数、反向传播、更新网络参数相关推荐

最新文章

热门文章