标准的训练神经网络流程是：
1.定义包含权重的神经网络
2.遍历所有输入数据
3.处理数据
4.计算损失值
5.向前传播
6.更新权重

定义神经网络

import torch
import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(1, 6, 3) #1 inputChannel,6 outputChannel,3*3 kernelself.conv2 = nn.Conv2d(6, 16, 3) #6 inputChannel,16 outputChannel,3*3 kernelself.fc1 = nn.Linear(16 * 6 * 6, 120) #16*6*6 inputFeatures(16 channel 6*6 image dimension), 120 outputFeaturesself.fc2 = nn.Linear(120, 84) #120 inputFeatures 84outputFeaturesself.fc3 = nn.Linear(84, 10) #84 inputFeatures 10outputFeaturesdef forward(self, x):x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) # 卷积池化 (b,1,w,h) ->(b,6,(w-3+1)/2,(b-3+1/2))x = F.max_pool2d(F.relu(self.conv2(x)), 2)# 卷积池化(b,6,w,h) ->(b,16,(w-3+1)/2,(b-3+1/2))x = x.view(-1, x.size()[1:].numel()) # (b,16,w,h) -> (b,16*w*h)x = F.relu(self.fc1(x)) #(b,16*6*6) ->(b,120)x = F.relu(self.fc2(x))#(b,120) ->(b,84)x = self.fc3(x)#(b,84) ->(b,10)return x
net = Net()
print(net)# https://stackoverflow.com/questions/53784998/how-are-the-pytorch-dimensions-for-linear-layers-calculated/53787076#53787076
----------------------------------------------------------------
Net((conv1): Conv2d(1, 6, kernel_size=(3, 3), stride=(1, 1))(conv2): Conv2d(6, 16, kernel_size=(3, 3), stride=(1, 1))(fc1): Linear(in_features=576, 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)
)

我们只需要定义forward方法，backward方法会自动定义(因为autograd的存在。
可以使用net.parameters()来查看权重系数。

params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1's .weight
---------------------
10
torch.Size([6, 1, 3, 3])

让我们使用32*32的输入。

input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
----------------------------------------------
tensor([[ 0.0158,  0.0992, -0.1584, -0.0231,  0.0408, -0.0601, -0.0561,  0.0461,0.0854,  0.0818]], grad_fn=<AddmmBackward>)

Zero the gradient buffers of all parameters and backprops with random gradients:

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

torch.nn只能支持mini-batches，而不支持single sample。比如nn.Conv2d会将4D tensor作为输入，(nSamples * nChannels * Height * Width)。如果只有 a single sample 需要使用input.unsqueeze(0)来假装添加了batch dimension。

2.损失函数

将 (output, target)作为参数，并计算 output和target的距离。
有几种不同的loss Functions，最简单的是nn.MSELoss计算mean-squared error

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(0.6443, grad_fn=<MseLossBackward>)

如果查看loss的反向传播，使用.grad_fn

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

当我们使用loss.backward()，整个graph会计算loss，所有graph中带有requires_grad=True的tensor，将累加他们的gradient。

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
----------------------------------------------------------
<MseLossBackward object at 0x7f16dfd30ba8>
<AddmmBackward object at 0x7f16dfd550b8>
<AccumulateGrad object at 0x7f16dfd30ba8>

Backprop

我们需要清除已经存在的gradients。

net.zero_grad()     # zeroes the gradient buffers of all parametersprint('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
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0083,  0.0066,  0.0212, -0.0175, -0.0130,  0.0090])

更新权重

最简单的更新规则是Stochastic Gradient Descent (SGD)：

weight = weight - learning_rate * gradient

手动实现

learning_rate = 0.01
for f in net.parameters(): # 遍历图中每个节点的参数f.data.sub_(f.grad.data * learning_rate) # 将节点的参数-(学习速率*梯度)，单下划线表示替换

pytorch中已经实现了SGD等一系列的更新方法

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

参考：
https://pytorch.org/tutorials/beginner/blitz/neural_networks_tutorial.html#sphx-glr-beginner-blitz-neural-networks-tutorial-py
https://stackoverflow.com/questions/53784998/how-are-the-pytorch-dimensions-for-linear-layers-calculated/53787076#53787076

pytorch 创建神经网络相关推荐

使用PyTorch创建神经网络
2019年年初,ApacheCN组织志愿者翻译了PyTorch1.0版本中文文档(github地址),同时也获得了PyTorch官方授权,我相信已经有许多人在中文文档官网上看到了.不过目前校对还缺人手 ...
使用pytorch创建神经网络并解决线性拟合和分类问题
#线性拟合 import torch import torch.nn.functional as F import matplotlib.pyplot as plt torch.manual_seed ...
pytorch神经网络因素预测_实战：使用PyTorch构建神经网络进行房价预测
微信公号:ilulaoshi / 个人网站:lulaoshi.info 本文将学习一下如何使用PyTorch创建一个前馈神经网络(或者叫做多层感知机,Multiple-Layer Perceptron ...
基于 PyTorch 和神经网络给 GirlFriend 制作漫画风头像
摘要:本文中我们介绍的 AnimeGAN 就是 GitHub 上一款爆火的二次元漫画风格迁移工具,可以实现快速的动画风格迁移. 本文分享自华为云社区<AnimeGANv2 照片动漫化:如何基于 ...
使用PyTorch构建神经网络（详细步骤讲解+注释版） 01-建立分类器类
文章目录 1 数据准备 2 数据预览 3 简单神经网络创建 3.1 设计网络结构 3.2 损失函数相关设置 3.3 向网络传递信息 3.4 定义训练函数train 4 函数汇总 1 数据准备神经网络 ...
PyTorch搭建神经网络求解二分类问题
PyTorch搭建全连接神经网络求解二分类问题在求解线性回归问题的时候,我们已经学习了如何使用梯度下降算法来不断更新权重矩阵,使误差函数不断减小,这一节我们将使用PyTorch搭建一个简单的神经网络 ...
【深度学习】基于Torch的Python开源机器学习库PyTorch卷积神经网络
[深度学习]基于Torch的Python开源机器学习库PyTorch卷积神经网络文章目录 1 CNN概述 2 PyTorch实现步骤2.1 加载数据2.2 CNN模型2.3 训练2.4 可视化训练 ...
matlab神经网络工具箱创建神经网络,matlab神经网络工具箱创建神经网络
matlab神经网络工具箱创建神经网络为了看懂师兄的文章中使用的方法,研究了一下神经网络昨天花了一天的时间查怎么写程序,但是费了半天劲,不能运行,百度知道里倒是有一个,可以运行的,先贴着做标本 % ...
eclipse创建神经网络_使用Eclipse Deeplearning4j构建简单的神经网络
eclipse创建神经网络神经网络导论深度学习包含深度神经网络和深度强化学习,它们是机器学习的子集,而机器学习本身就是人工智能的子集. 广义地说,深度神经网络执行机器感知,该机器感知从原始数据中提 ...

pytorch 创建神经网络

定义神经网络

2.损失函数

Backprop

更新权重

pytorch 创建神经网络相关推荐

最新文章

热门文章