pytorch教程之网络的构建流程笔记 pytorch教程之网络的构建流程笔

构建网络
定义一个网络
loss Function
Backprop
更新权值

参考网址

构建网络我们可以通过torch.nn包来构建网络，现在你已经看过了autograd，nn在autograd的基础上定义模型和求微分。一个nn.Module包括很多层，forward方法返回output。
一个典型的训练过程包括这么几步：
1.定义一个网络结构包含一些可训练的额参数
2.为数据集制定输入iterata
3.通过网络计算Output
4.计算loss
5.反向传播计算梯度
6.更新权值

weight = weight - learning_rate * gradient

定义一个网络让我们来定义一个网络

import torchimport torch as nnimport torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net,self).__init__(#1 input image channel ,6output image channel ,5*5convolytion kernelself.conv1 = nn.Conv2d(1,6,5)self.conv2 = nn.Conv2d(6,16,5)# an affine operation:y = Wx+bself.fc1 = nn.Linear(16*5*5,120)self.fc2 = nn.Linear(120,84)self.fc3 = nn.Linear(84,10)def forward(self,x):#max poolingx.F.max_pool2d(F.relu(self.conv1(x)),(2,2))#2=（2,2）x.F.max_pool2d(F.relu(self.con2(x)),2)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)returnxdef num_flat_features(self,x):size = x.size()[1:]num_feature = 1for s in size:num_features *=sreturn num_featuresnet = Net()print(net)

out

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))

我们只需定义forward和backward函数，会自动求导通过你定义的函数，你可以使用所有的Tensor操作在forward函数中。
我们使用net.parameters()函数返回可学习的参数

params = list(net.parameters())print(len(params))print(params[0].size())# conv1's .weight

out

10torch.Size([6, 1, 5, 5])

让我们试试32*32的输入节点，因为lenet网络的输入应该是32*32，为了在MNIST数据集上使用lenet我们需要将图片reshpe成32*32

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

out

tensor([[-0.1346,0.0581, -0.0396, -0.1136, -0.1128,0.0180, -0.1226,-0.0419, -0.1150,0.0278]])

零化导数buffers所有的参数都会随机求导

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

torch.nn只支持mini-batch，而不是单个的样本
例如，nn.Conv2d输入是一个4维tensors

nSamples * nChannels * Height * Width

如果你只有单个的样本，使用input.unsqueeze(0)增加一个假的batch维度
在后处理之前，让我们看看都学过什么类
Recap:
torch.Tensor - A multi-dimensional array with support for autograd operations like backward(). Also holds the gradient w.r.t. the tensor.
nn.Module - Neural network module. Convenient way of encapsulating parameters, with helpers for moving them to GPU, exporting, loading, etc.
nn.Parameter - A kind of Tensor, that is automatically registered as a parameter when assigned as an attribute to a Module.
autograd.Function - Implements forward and backward definitions of an autograd operation. Every Tensor operation, creates at least a single Function node, that connects to functions that created a Tensor and encodes its history.
目前，我们学习了:
1.定义一个神经网络
2.处理输入和使用后向传播
我们还需要学习:
1.计算loss
2.更新权值

loss Function Loss function接受(output traget)对作为输入，计算一个反映到目标距离的值。
在nn这个包里面有很多loss function ，最简单的是nn.MSELoss,就是那输入与输出的均方误差。
举个例子

output = net(input)target = torch.arrange(1,11)target = target.view(1m-1)criterion = nn.MSELoss()loss = criterion(output,target)print(loss)

Out:

tensor(39.1076)

Backprop 为了反向传播我们需要做的仅仅是进行loss.backward()，我们需要清除现有的梯度

更新权值最简单常用的更新权值的方法就是SGD（Stochastic Gradient Descent ）

weight = weight - learning_rata * gradiernt

我们可以通过简单的代码实现上面的公式:

learning_rata = 0.01for f in net.parameters():f.data.sib_(f.grad.data *learining_rata)

但是我们也可以使用不同的更新规则，像是 SGD, Nesterov-SGD, Adam, RMSProp, etc.
为了使用这些，我们需要torch.optim包，使用起来也很简单。

import torch.optim as optim #creat you optimizeroptimizer = optim.SGD(net.parameters(),lr = 0.01)#in your training loop:optimizer.zero_grad()output = net(input)loss = criterion(output,target)loss.backward()optimizer.step()

注意gradient必须清零
现在我们调用loss.backward()，并且看看con1的bias的前后差别

ner.zero_grad()print('conv1.bias.grad before backward')loss.backward()print('conv1.bias.grad after backward')piint(net.conv1.bias.grad)

out

conv1.bias.grad before backwardtensor([ 0.,0.,0.,0.,0.,0.])conv1.bias.grad after backwardtensor([ 0.1178, -0.0404, -0.0810,0.0363, -0.0631,0.1423])

现在，我们看到了如何使用loss function
重要
torch包含很多的loss function和其他包，其余的文档可以看这里
http://pytorch.org/docs/nn
【pytorch教程之网络的构建流程笔记】以上就是pytorch教程之网络的构建流程笔记的详细内容，更多关于pytorch教程的资料请关注脚本之家其它相关文章！