关键词:
上一章已经了解了自动梯度Autograd,pytorch中可以使用torch.nn构建神经网络,nn依赖于autograd来定义模型并对其进行微分。nn.Module包含层,以及返回output的方法forward(input)。
人工神经网络(Artificial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
神经网络的典型训练过程
如下:
- 定义具有一些可学习参数(或权重)的神经网络
- 遍历输入数据集
- 通过网络处理输入
- 计算损失(输出正确的距离有多远)
- 将梯度传播回网络参数
- 通常使用简单的更新规则来更新网络的权重:
weight = weight - learning_rate * gradient
1. 定义网络
1.1 自定义网络
自定义以下网络:
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, 3x3 square convolution
# kernel
self.conv1 = nn.Conv2d(1, 6, 3)
self.conv2 = nn.Conv2d(6, 16, 3)
# an affine operation: y = Wx + b
self.fc1 = nn.Linear(16 * 6 * 6, 120) # 6*6 from image dimension
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
# Max pooling over a (2, 2) window
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# If the size is a square you can only specify a single number
x = F.max_pool2d(F.relu(self.conv2(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:] # all dimensions except the batch dimension
num_features = 1
for s in size:
num_features *= s
return num_features
net = Net()
print(net)
输出:
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)
)
1.2 使用自定义网络的自动梯度
定义了forward函数,就可以使用autograd的自定义backward函数(计算梯度)。例如,输出模型的学习参数。
params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1's .weight
输出:
10
torch.Size([6, 1, 3, 3])
1.3 测试网络
- 测试
让我们尝试一个32x32随机输入。
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
输出:
tensor([[ 0.1002, -0.0694, -0.0436, 0.0103, 0.0488, -0.0429, -0.0941, -0.0146,
-0.0031, -0.0923]], grad_fn=<AddmmBackward>)
- 参数和反向传播的梯度缓冲区归零
net.zero_grad()
out.backward(torch.randn(1, 10))
注意:
- touch.nn仅支持小批量。整个torch.nn包仅支持作为微型样本而不是单个样本的输入。例如,nn.Conv2d将采用nSamples x nChannels x Height x Width的 4D 张量。如果您只有一个样本,只需使用input.unsqueeze(0)添加一个假批量尺寸。
1.4 回顾
- torch.Tensor:一个多维数组,支持诸如backward()的自动微分操作。 同样,保持相对于张量的梯度。
- nn.Module:神经网络模块。 封装参数的便捷方法,并带有将其移动到 GPU,导出,加载等的帮助器。
- nn.Parameter:一种张量,即将其分配为Module的属性时,自动注册为参数。
- autograd.Function:实现自动微分操作的正向和反向定义。 每个Tensor操作都会创建至少一个Function节点,该节点连接到创建Tensor的函数,并且编码其历史记录。
2. 损失函数
损失函数采用一对(输出,目标)输入,并计算一个值,该值估计输出与目标之间的距离
。nn包下有几种不同的损失函数。 一个简单的损失是:nn.MSELoss,它计算输入和目标之间的均方误差。
使用自己定义的网络计算损失函数。
output = net(input) #使用自己定义的网络
target = torch.randn(10) # a dummy target, for example,一组假设的数据
target = target.view(1, -1) # make it the same shape as output
criterion = nn.MSELoss()
loss = criterion(output, target)
print(loss)
输出:
tensor(0.7870, grad_fn=<MseLossBackward>)
3. 反向传播
要反向传播误差,我们要做的只是对loss.backward()。 不过,您需要清除现有的梯度
,否则梯度将累积到现有的梯度中。
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)
输出:
conv1.bias.grad before backward
None
conv1.bias.grad after backward
tensor([-0.0341, -0.0014, 0.0153, 0.0203, -0.0092, 0.0030])
4. 更新权重
实践中使用的最简单的更新规则是随机梯度下降(SGD):weight = weight - learning_rate * gradient
我们可以使用简单的 Python 代码实现此目标:
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)
但是,在使用神经网络时,您希望使用各种不同的更新规则,例如 SGD,Nesterov-SGD,Adam,RMSProp 等
。为实现此目的,我们构建了一个小包装:torch.optim,可实现所有这些方法。 使用它非常简单:
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
注意使用时需要手动将梯度缓冲区清零:optimizer.zero_grad()。
小白入门深度学习|第四篇:配置pytorch环境
datawhales深入浅出pytorch-第三章/第四章(代码片段)
...Pytorch-第三章/第四章第三章:Pytorch的主要组成模块3.1神经网络学习机制和深度学习在实现上的特殊性3.1.1神经网络学习机制3.1.2深度学习在实现上的特殊性3.2PyTorch深度学习模块第四章基础实战——FashionMNIST时装分类4.1基本配... 查看详情
pytorch学习笔记4.定义神经网络(代码片段)
PyTorch学习笔记4.定义神经网络一、torch.nn概述1.定义网络2.网络的属性3.输入tensor给网络4.反向传播5.损失函数二、torch.nn.Module类的几种实现1.通过Sequential来包装层2.使用OrderdDict有序字典包装层三、Module类的几个方法1.children()2.model.n... 查看详情
pytorch学习笔记神经网络的使用(代码片段)
文章目录神经网络的基本骨架--nn.Moudle的使用卷积操作神经网络-卷积层神经网络-最大池化的使用神经网络-非线性激活线性层搭建实战与Sequential的使用损失函数与反向传播优化器参考资料神经网络的基本骨架–nn.Moudle的使用import... 查看详情
r学习笔记第四篇:函数,分支和循环
变量用于临时存储数据,而函数用于操作数据,实现代码的重复使用。在R中,函数只是另一种数据类型的变量,可以被分配,操作,甚至把函数作为参数传递给其他函数。分支控制和循环控制,和通用编程语言的风格很相似,... 查看详情
第四章网络安全学习笔记(超详细)(代码片段)
---------------------------网络安全----------------------------万字长文,小编自己手打,如有勘误,敬请谅解!网安笔记---------------------------网络安全----------------------------1.《网络安全基础》1.tcp/ip协议架构tpc/ip 查看详情
datawhales深入浅出pytorch-第三章/第四章(代码片段)
...Pytorch-第三章/第四章第三章:Pytorch的主要组成模块3.1神经网络学习机制和深度学习在实现上的特殊性3.1.1神经网络学习机制3.1.2深度学习在实现上的特殊性3.2PyTorch深度学习模块第四章基础实战——FashionMNIST时装分类4.1基本配... 查看详情
pytorch学习笔记——多层感知机的实现(代码片段)
...、FashionMNIST数据集二、torch.nn2.1nn.Module2.2nn.Sequential2.3查看神经网络的参数三、LossFunction四、torch.optim五、训练与测试附录:完整代码一、FashionMNIST数据集数据集官网 查看详情
我是土堆-pytorch教程知识点学习总结笔记(代码片段)
...ytorch教程】知识点学习总结笔记(四)包括:神经网络-非线性激活、神经网络-线性层及其他层介绍、神经网络-搭建小实战和Sequential的使用、损失函数与反向传播、优化器、现有网络模型的使用及修改、网络模型的... 查看详情
python学习第四篇用户输入及判断(代码片段)
用户输入:例1、写一个用户输入密码的小程序,流程如下:1.用户输入自己的用户名2.打印"Hello+用户名"1#!/usr/bin/envpython23#name=raw_input("Whatisyourname?")#onlyonpython2.x4name=input("Whatisyourname?")5print("Hello"+name) 例2、输入密码时,我们都... 查看详情
21天学习挑战赛python学习第四篇:多线程threading模块(代码片段)
【21天学习挑战赛】Python学习第四篇:多线程threading模块——活动地址:CSDN21天学习挑战赛——多线程的理解就是两件或两件以上的事情通过代码同时发生。而一般情况下我们写python代码的话是从上往下执行的,有... 查看详情
我是土堆-pytorch教程知识点学习总结笔记(代码片段)
...f09;包括:torchvision中的数据集使用、DataLoader的使用、神经网络的基本骨架-nn.Module的使用、土堆说卷积操作(可选看)、 神经网络-卷积层、神经网络-最大池化的使用。学习系列笔记:【我是土堆-Pytorch教程】知... 查看详情
docker第四篇docker容器网络相关知识全解析(代码片段)
文章目录一、前言二、计算机网络2.1计算机网络理论知识2.2Linux网卡灵活操作2.2.1网卡配置文件2.2.2网卡上增删IP地址2.2.3网卡状态:UPDOWNUNKNOWN三、NetworkNamespace3.1NetworkNamespace3.2从NetworkNamespace转到DockerContainer3.3自定义NetworkNamespa... 查看详情
pytorch学习笔记第五篇——训练分类器(代码片段)
...练图像分类器2.1加载并标准化CIFAR102.2训练图像3.定义卷积神经网络、损失函数、优化器、训练网络和保存模型4.测试自己的模型5.在GPU上进行训练1.数据通常,当您必须处理图像,文本,音频或视频数据时,可以使... 查看详情
linux从青铜到王者第二十四篇:linux网络基础第四篇之websocket协议(代码片段)
系列文章目录文章目录系列文章目录前言一、WebSocket简介二、WebSocket产生背景三、WebSocket实现原理四、WebSocket协议举例五、WebSocket使用1.WebSocket介绍2.WebSocketAPI3.WebSocket事件1.open2.Message3.Error4.Close4.WebSocket方法1.send()2.close()5.WebSocket... 查看详情
pytorch学习笔记5.torchvision库(代码片段)
PyTorch学习笔记5.torchvision加载数据集一、简介二、安装三、torchvision的主要功能示例1.加载model(1)加载几个预训练模型(2)只加载模型,不加载预训练参数(4)加载部分预训练模型(5)调整模型(6)加载非预训练模型的方法3.1.6.1保存和... 查看详情
pytorch学习笔记5.torchvision库(代码片段)
PyTorch学习笔记5.torchvision加载数据集一、简介二、安装三、torchvision的主要功能示例1.加载model(1)加载几个预训练模型(2)只加载模型,不加载预训练参数(4)加载部分预训练模型(5)调整模型(6)加载非预训练模型的方法3.1.6.1保存和... 查看详情
学习笔记《pytorch入门》完整的模型训练套路(cifar10model)(代码片段)
文章目录准备数据集(训练和测试)搭建神经网络创建损失函数,分类问题使用交叉熵创建优化器设置训练网络的一些参数进入训练循环准备进入测试步骤完整代码:准备数据集(训练和测试)训练数据集... 查看详情