【PyTorch】手把手带你快速搭建PyTorch神经网络
手把手带你快速搭建PyTorch神经网络
- 1. 定义一个Class
- 2. 使用上面定义的Class
- 3. 执行正向传播过程
- 4. 总结顺序
- 相关资料
话不多说,直接上代码
1. 定义一个Class
如果要做一个神经网络模型,首先要定义一个Class,继承nn.Module,也就是import torch.nn as nn,示例如下:
import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super().__init__()self.conv1 = nn.Conv2d(1,6,5)self.conv2 = nn.Conv2d(6,16,5)def forward(self, x):x = F.max_pool2d(F.relu(self.conv1(x)), 2)x = F.max_pool2d(F.relu(self.conv2(x)), 2)return x
这里,我们把class的名字就叫成Net。Class里面主要写两个函数,一个是初始化的__init__
函数,另一个是forward
函数。
__init__
里面就是定义卷积层,先super()
一下,给父类nn.Module
初始化一下。在这个__init__
里边主要定义就是卷积层。比如第一层,我们叫它conv1,把它定义成输入1通道,输出6通道,卷积核5*5
的的一个卷积层。conv2同理。forward
里边是真正执行数据的流动。比如上面的代码,输入的x先经过定义的conv1(这个名字是自己起的),再经过激活函数F.relu()(这里源自import torch.nn.functional as F,F.relu()是官方提供的函数)。当然如果在__init__
里面把relu定义成了myrelu
,那这里直接第一句话就成了x=F.max_pool2d(myrelu(self.conv1(x)),2)
。下一步的F.max_pool2d池化也是一样的。在一系列流动以后,最后把x返回到外面去。
需要强调的是:
- 注意前后输出通道和输入通道的一致性。不能第一个卷积层输出4通道第二个输入6通道,这样就会报错。
- 它和我们常规的python的class还有一些不同
2. 使用上面定义的Class
先定义一个Net的实例,毕竟Net只是一个类不能直接传参数
net=Net()
然后,就可以往里边传入x了。假设已经有一个要往神经网络的输入的数据“input"(这个input应该定义成tensor类型),在传入的时候,
output=net(input)
注意:在常规python编程中,一般向class里面传入一个数据x,在class的定义里面,应该是把这个x作为形参传入__init__
函数里的,而在上面的定义中,x作为形参是传入forward函数里面的。其实也不矛盾,因为在定义net的时候,是net=Net(),并没有往里面传入参数。如果想初始化的时候按需传入,则需要在__init__
中增加需要传入的参数,然后把需要的传入进去即可。
3. 执行正向传播过程
在网络net定义好以后,就涉及到传入参数,计算误差,反向传播,更新权重等等,这些不太容易记住这些东西的格式和顺序。但是我们可以将这个过程理解为一次正向传播,需要把这一路上的输入x都计算出来。在计算的过程中要想让网络输出output与期望的ground truth差不多,就需要不断缩小二者的差距,这个差距就是目标函数(object function)或者称为损失函数。
如果损失函数loss趋近于0,那么自然就达到目的了。但是损失函数loss基本上没法达到0,但是仍然希望能让它达到最小值,那么这个做的方式是它能按照梯度进行下降。
那么神经网络怎么才能达到按照梯度下降呢?或者说是怎么调整自己使得loss函数趋近于0。它只能不断修改权重,比如y=wx+b,x是给定的,它只能改变w和b,让最后的输出y尽可能接近希望的y值,这样损失loss就越来越小。
如果loss对于输入x的偏导数接近0了,是不是就意味着到达了一个极值吗?而l在你的损失函数计算方式已经给定的情况下,loss对于输入x的偏导数的减小,其实只能通过更新参数卷积层参数W来实现。
所以,通过下述方式实现对W的更新:
- 先算loss对于输入x的偏导数。当然网络好几层,这个x指的是每一层的输入,而不是最开始的输入input
- 对第1步的结果再乘以一个步长,这样就相当于是得到一个对参数W的修改幅度
- 用W减掉这个修改幅度,完成一次对参数W的修改。
具体过程代码如下:
compute_loss=nn.MSELoss() # 定义损失函数
loss=compute_loss(target,output) # 把神经网络net的输出,和标准答案target传入进去
loss.backward() # 算出loss,下一步就是反向传播
到这里,就把上面的第1步完成了,得到对参数W一步的更新量,算是一次反向传播。
当然搞深度学习不可能只用官方提供的loss函数,所以如果要想用自己的loss函数。必须也把loss定义成上面Net的样子,它也是继承nn.Module,把传入的参数放进forward里面,具体的loss在forward里面算,最后return loss。__init__()
就空着,写个super().__init__
就行了。
在反向传播之后,对于第2步和第3步的计算,就需要用到优化器来实现,让优化器来自动实现对网络权重W的更新:
from torch import optim
optimizer=optim.SGD(net.parameters(),lr=0.001,momentum=0.9)
同样地,优化器也是一个类,先定义一个实例optimizer,然后使用其中的一个优化器方法。注意在optimizer
定义的时候,需要给SGD
传入了net的参数parameters
,这样优化器就掌握了对网络参数的控制权,就能够对它进行修改了。同时传入的时候把学习率lr也传进去。
注意,在每次迭代之前,先把optimizer里存的梯度清零一下,因为W已经更新过的“更新量”下一次就不需要用了。
optimizer.zero_grad()
在loss.backward()反向传播以后,更新参数:
optimizer.step()
4. 总结顺序
- 定义网络:写网络Net的Class,声明网络的实例net=Net();
- 定义优化器:optimizer=optim.xxx(net.parameters(),lr=xxx);
- 定义损失函数:自己写class或者直接用官方的,例如compute_loss=nn.MSELoss()
- 开始循环过程:
- 首先,清空优化器里的梯度信息:optimizer.zero_grad();
- 再将input传入,output=net(input) ,开始正向传播
- 计算损失,loss=compute_loss(target,output)
- 误差反向传播,loss.backward()
- 更新参数,optimizer.step()
综上,这样就实现了一个基本的神经网络。大部分神经网络的训练都可以简化为这个过程,无非是传入的内容复杂,网络定义复杂,损失函数复杂等等。
相关资料
- 梯度下降算法原理讲解——机器学习
- 深度学习数学基础之链式法则