03、使用torch.nn包来构建神经网络

东方耀

使用torch.nn包来构建神经网络。


上一讲已经讲过了autograd，nn包依赖autograd包来定义模型并求导。 一个nn.Module包含各个层和一个forward(input)方法，该方法返回output。




神经网络的典型训练过程如下：


1、定义包含一些可学习的参数(或者叫权重)神经网络模型；
2、在数据集上迭代；
3、通过神经网络处理输入；
4、计算损失(输出结果和正确值的差值大小)；
5、将梯度反向传播回网络的参数；
6、更新网络的参数，主要使用如下简单的更新原则： weight = weight - learning_rate * gradient




开始定义一个网络：

1. # -*- coding: utf-8 -*-
   
2. __author__ = u'东方耀 微信：dfy_88888'
   
3. __date__ = '2020/4/9 下午4:44'
   
4. __product__ = 'PyCharm'
   
5. __filename__ = 'dfy01'
   
6. 
   
7. import torch
   
8. import torch.nn as nn
   
9. import torch.nn.functional as F
   
10. 
    
11. 
    
12. class Net(nn.Module):
    
13. 
    
14.     def __init__(self):
    
15.         super(Net, self).__init__()
    
16.         # 1 input image channel, 6 output channels, 5x5 square convolution
    
17.         # kernel
    
18.         self.conv1 = nn.Conv2d(1, 6, 5)
    
19.         self.conv2 = nn.Conv2d(6, 16, 5)
    
20.         # an affine operation: y = Wx + b
    
21.         self.fc1 = nn.Linear(16 * 5 * 5, 120)
    
22.         self.fc2 = nn.Linear(120, 84)
    
23.         self.fc3 = nn.Linear(84, 10)
    
24. 
    
25.     def forward(self, x):
    
26.         # Max pooling over a (2, 2) window
    
27.         # 卷积 激励 池化
    
28.         x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
    
29.         # If the size is a square you can only specify a single number
    
30.         x = F.max_pool2d(F.relu(self.conv2(x)), 2)
    
31.         # 展平层 flatten_layer
    
32.         x = x.view(-1, self.num_flat_features(x))
    
33.         x = F.relu(self.fc1(x))
    
34.         x = F.relu(self.fc2(x))
    
35.         x = self.fc3(x)
    
36.         return x
    
37. 
    
38.     def num_flat_features(self, x):
    
39.         size = x.size()[1:]  # all dimensions except the batch dimension
    
40.         num_features = 1
    
41.         for s in size:
    
42.             num_features *= s
    
43.         return num_features
    
44. 
    
45. 
    
46. net = Net()
    
47. print(net)
    
48. print(torch.__version__)
    
49. print(torch.cuda.is_available())
    
50. 
    
51. params = list(net.parameters())
    
52. print(len(params))
    
53. print(params[0].size())  # conv1's .weight
    
54. 
    
55. # NHWC  变成 NCHW
    
56. input = torch.randn(1, 1, 32, 32)
    
57. out = net(input)
    
58. print(out, out.size())
    

复制代码

在模型中必须要定义 forward 函数，backward 函数（用来计算梯度）会被autograd自动创建。
可以在 forward 函数中使用任何针对 Tensor 的操作。


net.parameters()返回可被学习的参数（权重）列表和值



将所有参数的梯度缓存清零，然后进行随机梯度的的反向传播：
net.zero_grad()
out.backward(torch.randn(1, 10))

例如，``nn.Conv2d`` 接受一个4维的张量，  NCHW
``每一维分别是sSamples * nChannels * Height * Width（样本数*通道数*高*宽）``。

如果你有单个样本，只需使用 ``input.unsqueeze(0)`` 来添加其它的维数

torch.Tensor：一个用过自动调用 backward()实现支持自动梯度计算的 多维数组 ， 并且保存关于这个向量的梯度 w.r.t.
nn.Module：神经网络模块。封装参数、移动到GPU上运行、导出、加载等。
nn.Parameter：一种变量，当把它赋值给一个Module时，被 自动 地注册为一个参数。
autograd.Function：实现一个自动求导操作的前向和反向定义，每个变量操作至少创建一个函数节点，每一个Tensor的操作都回创建一个接到创建Tensor和 编码其历史 的函数的Function节点


损失函数
一个损失函数接受一对 (output, target) 作为输入，计算一个值来估计网络的输出和目标值相差多少。

译者注：output为网络的输出，target为实际值

nn包中有很多不同的损失函数。 nn.MSELoss是一个比较简单的损失函数，它计算输出和目标间的均方误差，


output = net(input)
target = torch.randn(10)  # 随机值作为样例
target = target.view(1, -1)  # 使target和output的shape相同
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)

当我们调用 loss.backward()时,整张计算图都会 根据loss进行微分，
而且图中所有设置为requires_grad=True的张量 将会拥有一个随着梯度累积的.grad 张量

反向传播
调用loss.backward()获得反向传播的误差。

但是在调用前需要清除已存在的梯度，否则梯度将被累加到已存在的梯度。

现在，我们将调用loss.backward()，并查看conv1层的偏差（bias）项在反向传播前后的梯度。


net.zero_grad()     # 清除梯度

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)


更新权重
在实践中最简单的权重更新规则是随机梯度下降（SGD）：
我们可以使用简单的Python代码实现这个规则：
    learning_rate = 0.01
    for f in net.parameters():
        f.data.sub_(f.grad.data * learning_rate)

但是当使用神经网络是想要使用各种不同的更新规则时，比如SGD、Nesterov-SGD、Adam、RMSPROP等，PyTorch中构建了一个包torch.optim实现了所有的这些规则。 使用它们非常简单：


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

东方耀

# 首先要引入相关的包
import torch
# 引入torch.nn并指定别名
import torch.nn as nn
#打印一下版本
torch.__version__

除了nn别名以外，我们还引用了nn.functional，这个包中包含了神经网络中使用的一些常用函数，
这些函数的特点是，不具有可学习的参数(如ReLU，pool，DropOut等)，这些函数可以放在构造函数中，也可以不放，但是这里建议不放。

一般情况下我们会将nn.functional 设置为大写的F，这样缩写方便调用

东方耀

定义一个网络¶
PyTorch中已经为我们准备好了现成的网络模型，只要继承nn.Module，并实现它的forward方法，PyTorch会根据autograd，自动实现backward函数，
在forward函数中可使用任何tensor支持的函数，还可以使用if、for循环、print、log等Python语法，写法和标准的Python写法一致。

东方耀

网络的可学习参数通过net.parameters()返回
for parameters in net.parameters():
    print(parameters)
net.named_parameters可同时返回可学习的参数及名称。
for name,parameters in net.named_parameters():
    print(name,':',parameters.size())