注意

點選此處下載完整示例程式碼

神經網路¶

建立時間：2017年3月24日 | 最後更新：2024年5月6日 | 最後驗證：2024年11月5日

神經網路可以使用 torch.nn 包構建。

既然您已經對 autograd 有所瞭解，nn 依賴於 autograd 來定義模型並對其進行微分。一個 nn.Module 包含層，以及一個 forward(input) 方法，該方法返回 output。

例如，看看這個對數字影像進行分類的網路

卷積網路¶

它是一個簡單的全連線前饋網路。它接收輸入，將其依次透過多個層，最後給出輸出。

神經網路的典型訓練過程如下

定義具有一些可學習引數（或權重）的神經網路
迭代輸入資料集
透過網路處理輸入
計算損失（輸出與正確結果相差多遠）
將梯度反向傳播到網路的引數中
更新網路的權重，通常使用簡單的更新規則：weight = weight - learning_rate * gradient

定義網路¶

讓我們定義這個網路

import torch
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # 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)  # 5*5 from image dimension
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, input):
        # Convolution layer C1: 1 input image channel, 6 output channels,
        # 5x5 square convolution, it uses RELU activation function, and
        # outputs a Tensor with size (N, 6, 28, 28), where N is the size of the batch
        c1 = F.relu(self.conv1(input))
        # Subsampling layer S2: 2x2 grid, purely functional,
        # this layer does not have any parameter, and outputs a (N, 6, 14, 14) Tensor
        s2 = F.max_pool2d(c1, (2, 2))
        # Convolution layer C3: 6 input channels, 16 output channels,
        # 5x5 square convolution, it uses RELU activation function, and
        # outputs a (N, 16, 10, 10) Tensor
        c3 = F.relu(self.conv2(s2))
        # Subsampling layer S4: 2x2 grid, purely functional,
        # this layer does not have any parameter, and outputs a (N, 16, 5, 5) Tensor
        s4 = F.max_pool2d(c3, 2)
        # Flatten operation: purely functional, outputs a (N, 400) Tensor
        s4 = torch.flatten(s4, 1)
        # Fully connected layer F5: (N, 400) Tensor input,
        # and outputs a (N, 120) Tensor, it uses RELU activation function
        f5 = F.relu(self.fc1(s4))
        # Fully connected layer F6: (N, 120) Tensor input,
        # and outputs a (N, 84) Tensor, it uses RELU activation function
        f6 = F.relu(self.fc2(f5))
        # Gaussian layer OUTPUT: (N, 84) Tensor input, and
        # outputs a (N, 10) Tensor
        output = self.fc3(f6)
        return output


net = Net()
print(net)

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)
)

您只需定義 forward 函式，而 backward 函式（計算梯度的地方）會使用 autograd 自動為您定義。您可以在 forward 函式中使用任何 Tensor 操作。

模型的可學習引數由 net.parameters() 返回

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

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

讓我們嘗試一個隨機的 32x32 輸入。注意：該網路 (LeNet) 的預期輸入大小是 32x32。要在 MNIST 資料集上使用此網路，請將資料集中的影像大小調整為 32x32。

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

tensor([[ 0.1453, -0.0590, -0.0065,  0.0905,  0.0146, -0.0805, -0.1211, -0.0394,
         -0.0181, -0.0136]], grad_fn=<AddmmBackward0>)

將所有引數的梯度緩衝區清零，並使用隨機梯度進行反向傳播

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

注意

torch.nn 只支援 mini-batch。整個 torch.nn 包只支援輸入是樣本的 mini-batch，而不是單個樣本。

例如，nn.Conv2d 將接收一個形狀為 nSamples x nChannels x Height x Width 的 4D Tensor。

如果您有一個單個樣本，只需使用 input.unsqueeze(0) 來新增一個偽造的 batch 維度。

在繼續之前，讓我們回顧一下目前為止您所見過的所有類。

回顧

torch.Tensor - 一個支援 backward() 等 autograd 操作的多維陣列。也持有關於該張量的梯度。
nn.Module - 神經網路模組。一種方便封裝引數的方式，並提供將引數移動到 GPU、匯出、載入等輔助功能。
nn.Parameter - 一種 Tensor，在被賦值為 Module 的屬性時會自動註冊為引數。
autograd.Function - 實現autograd 操作的前向和後向定義。每個 Tensor 操作都會建立至少一個 Function 節點，該節點連線到建立該 Tensor 的函式，並編碼其歷史。

至此，我們已經涵蓋了

定義神經網路
處理輸入並呼叫 backward

剩餘部分

計算損失
更新網路權重

損失函式¶

損失函式接收 (輸出, 目標) 對作為輸入，並計算一個值來估計輸出與目標之間的距離。

nn 包下有幾種不同的損失函式。一個簡單的損失函式是：nn.MSELoss，它計算輸出和目標之間的均方誤差。

例如

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(1.3619, grad_fn=<MseLossBackward0>)

現在，如果您使用 loss 的 .grad_fn 屬性沿著反向方向跟蹤，您會看到一個計算圖，看起來像這樣

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

因此，當我們呼叫 loss.backward() 時，整個圖將相對於神經網路引數進行微分，並且圖中所有 requires_grad=True 的 Tensor 的 .grad Tensor 將累積梯度。

作為說明，讓我們向後跟蹤幾個步驟

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

<MseLossBackward0 object at 0x7fbc2e2a7eb0>
<AddmmBackward0 object at 0x7fbc2e2a78e0>
<AccumulateGrad object at 0x7fbc2e2a7b80>

反向傳播¶

要反向傳播誤差，我們只需呼叫 loss.backward()。但是，您需要清除現有的梯度，否則梯度會累積到現有梯度中。

現在我們將呼叫 loss.backward()，並檢視 conv1 的 bias 梯度在反向傳播之前和之後的變化。

net.zero_grad()     # zeroes the gradient buffers of all parameters

print('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
None
conv1.bias.grad after backward
tensor([ 0.0081, -0.0080, -0.0039,  0.0150,  0.0003, -0.0105])

現在，我們已經瞭解瞭如何使用損失函式。

稍後閱讀

神經網路包包含各種模組和損失函式，它們構成了深度神經網路的構建塊。包含文件的完整列表在此處。

剩下的唯一需要學習的是

更新網路權重

更新權重¶

實踐中最簡單的更新規則是隨機梯度下降 (SGD)

weight = weight - learning_rate * gradient

我們可以使用簡單的 Python 程式碼來實現這一點

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

然而，在使用神經網路時，您會想要使用各種不同的更新規則，例如 SGD、Nesterov-SGD、Adam、RMSProp 等。為了實現這一點，我們構建了一個小型包：torch.optim，它實現了所有這些方法。使用它非常簡單

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

注意

請注意，必須使用 optimizer.zero_grad() 手動將梯度緩衝區設定為零。這是因為正如反向傳播部分所解釋的，梯度是累積的。

指令碼總執行時間： ( 0 分鐘 0.137 秒)

由 Sphinx-Gallery 生成的畫廊