目錄
- 構(gòu)建網(wǎng)絡(luò)
- 定義一個(gè)網(wǎng)絡(luò)
- loss Function
- Backprop
- 更新權(quán)值
參考網(wǎng)址
構(gòu)建網(wǎng)絡(luò)
我們可以通過torch.nn包來構(gòu)建網(wǎng)絡(luò)，現(xiàn)在你已經(jīng)看過了autograd，nn在autograd的基礎(chǔ)上定義模型和求微分。一個(gè)nn.Module包括很多層，forward方法返回output。
一個(gè)典型的訓(xùn)練過程包括這么幾步：
1.定義一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)包含一些可訓(xùn)練的額參數(shù)
2.為數(shù)據(jù)集制定輸入iterata
3.通過網(wǎng)絡(luò)計(jì)算Output
4.計(jì)算loss
5.反向傳播計(jì)算梯度
6.更新權(quán)值
weight = weight - learning_rate * gradient
定義一個(gè)網(wǎng)絡(luò)
讓我們來定義一個(gè)網(wǎng)絡(luò)
import torch
import torch as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__(
#1 input image channel ,6output image channel ,5*5convolytion kernel
self.conv1 = nn.Conv2d(1,6,5)
self.conv2 = nn.Conv2d(6,16,5)
# an affine operation:y = Wx+b
self.fc1 = nn.Linear(16*5*5,120)
self.fc2 = nn.Linear(120,84)
self.fc3 = nn.Linear(84,10)
def forward(self,x):
#max pooling
x.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)
return x
def num_flat_features(self,x):
size = x.size()[1:]
num_feature = 1
for s in size:
num_features *=s
return num_features
net = 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)
)
我們只需定義forward和backward函數(shù)，會(huì)自動(dòng)求導(dǎo)通過你定義的函數(shù)，你可以使用所有的Tensor操作在forward函數(shù)中。
我們使用net.parameters()函數(shù)返回可學(xué)習(xí)的參數(shù)
params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1's .weight
out
10
torch.Size([6, 1, 5, 5])
讓我們試試32*32的輸入節(jié)點(diǎn)，因?yàn)閘enet網(wǎng)絡(luò)的輸入應(yīng)該是32*32，為了在MNIST數(shù)據(jù)集上使用lenet我們需要將圖片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]])
零化導(dǎo)數(shù)buffers所有的參數(shù)都會(huì)隨機(jī)求導(dǎo)
net.zero_grad()
out.backward(torch.randn(1,10))
torch.nn只支持mini-batch，而不是單個(gè)的樣本
例如，nn.Conv2d輸入是一個(gè)4維tensors
nSamples * nChannels * Height * Width
如果你只有單個(gè)的樣本，使用input.unsqueeze(0)增加一個(gè)假的batch維度
在后處理之前，讓我們看看都學(xué)過什么類
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，我們學(xué)習(xí)了:
1.定義一個(gè)神經(jīng)網(wǎng)絡(luò)
2.處理輸入和使用后向傳播
我們還需要學(xué)習(xí):
1.計(jì)算loss
2.更新權(quán)值
loss Function
Loss function接受(output traget)對作為輸入，計(jì)算一個(gè)反映到目標(biāo)距離的值。
在nn這個(gè)包里面有很多l(xiāng)oss function ，最簡單的是nn.MSELoss,就是那輸入與輸出的均方誤差。
舉個(gè)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:
Backprop
為了反向傳播我們需要做的僅僅是進(jìn)行l(wèi)oss.backward()，我們需要清除現(xiàn)有的梯度
更新權(quán)值
最簡單常用的更新權(quán)值的方法就是SGD（Stochastic Gradient Descent ）
weight = weight - learning_rata * gradiernt
我們可以通過簡單的代碼實(shí)現(xiàn)上面的公式:
learning_rata = 0.01
for f in net.parameters():
f.data.sib_(f.grad.data * learining_rata)
但是我們也可以使用不同的更新規(guī)則，像是 SGD, Nesterov-SGD, Adam, RMSProp, etc.
為了使用這些，我們需要torch.optim包，使用起來也很簡單。
import torch.optim as optim
#creat you optimizer
optimizer = 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必須清零
現(xiàn)在我們調(diào)用loss.backward()，并且看看con1的bias的前后差別
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 backward
tensor([ 0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.1178, -0.0404, -0.0810, 0.0363, -0.0631, 0.1423])
現(xiàn)在，我們看到了如何使用loss function
重要
torch包含很多的loss function和其他包，其余的文檔可以看這里
http://pytorch.org/docs/nn
以上就是pytorch教程之網(wǎng)絡(luò)的構(gòu)建流程筆記的詳細(xì)內(nèi)容，更多關(guān)于pytorch教程的資料請關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- pytorch構(gòu)建網(wǎng)絡(luò)模型的4種方法
- PyTorch的深度學(xué)習(xí)入門教程之構(gòu)建神經(jīng)網(wǎng)絡(luò)
- PyTorch如何搭建一個(gè)簡單的網(wǎng)絡(luò)
- 關(guān)于pytorch中全連接神經(jīng)網(wǎng)絡(luò)搭建兩種模式詳解
- Pytorch 神經(jīng)網(wǎng)絡(luò)—自定義數(shù)據(jù)集上實(shí)現(xiàn)教程
- pytorch快速搭建神經(jīng)網(wǎng)絡(luò)_Sequential操作
