【one way的pytorch學習筆記】(五)構建基礎神經網絡LeNet

基礎LeNet

定義網絡

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)

在pytorch中,通常來說,可以通過建立網絡的class來實現(方法之一,個人比較推薦). 新建的網絡繼承nn.Module 基類.構建新的神經網絡class的順序:

1. 定義__init__(),並 super 父類(因爲需要實例化父類中的參數)初始化相關的網絡層,需要在__init__()中初始化的類型:

   1.一般來說將torch.nn中的相關層在init中初始化(),以torch.nn.Conv2d爲例, 也就是說 torch.nn.Conv2d這種"函數"其實是個 Module類,在實例化類後會初始化2d卷積所需要的參數. 這些參數會在你做forward和 backward之後根據loss進行更新,所以通常存放在定義模型的 init() 中.

   2.torch.nn.functional 中所需要的初始化參數,需要在__init__()中定義

   具體細節請查看 Pytoch 中 torch.nn 與 torch.nn.functional 的區別

2. 定義forward():

   輸入項爲x, 定義forward的整個流程

3. 額外輔助函數

   可以加可以不加, 爲了更好的進行forward,可以創建相關函數

4. 我們只需要定義forward函數,backward函數會自動根據autograd定義

可學習的參數記錄可以通過 net.parameters()函數返回

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

10
torch.Size([6, 1, 3, 3])

用隨機32x32tensor做輸入,跑前向:

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

tensor([[-0.1564,  0.1191,  0.0464, -0.0260, -0.1250,  0.0476,  0.0177, -0.1471,
          0.0538,  0.0109]], grad_fn=<AddmmBackward>)

將所有參數的.grad緩存全部置0用隨機梯度做backpropagation

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

torch.nn 僅支持mini batch處理,不支持單個樣本的處理,例如 nn.Conv2d需要的輸入圖像爲4維 nSamples x nChannels x Height x Width,如果需要輸入單張圖片,需要 input.unsqueeze(0)升維

---

loss 函數

mean squared error

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(0.8938, grad_fn=<MseLossBackward>)

其實本質上,nn. 引導的loss functions也是一個類,和nn.Conv2D之類的layer層具有一樣的父類Module,Module是一個可調類,本質上是通過 __ call__()來調用定義的forward().
另: 其實torch.nn.functional中的函數與torch.nn中最直接的區別是一個是函數,一個是類. 但是他們是有聯繫的, torch.nn往往是在forward()函數中調用torch.nn.functional來實現的.也就是說torch.nn相當於包裝了的torch.nn.functional

loss 和其他layer 的操作是平級的,因爲他們本質上是一致的,操作流程也是一致的. 因此完全可以把loss當成額外的一層"layer"(雖然它在結構上不屬於layer,但在實現上是按照layer層的運行規則去實現的)

查看backward的graph就會看到

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

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

<MseLossBackward object at 0x7f5d2815d5c0>
<AddmmBackward object at 0x7f5d2815d128>
<AccumulateGrad object at 0x7f5d2815d128>

---

Backprop

要想完成backpropagation,我們只需要用 loss.backward()這一句就行了.但是我們在每次操作前需要把現有的參數的grad清零,否則這些緩存的參數則會被累計到當前backward()後得到的梯度上.

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
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0012,  0.0053, -0.0044,  0.0030, -0.0081,  0.0011])

反向傳播在代碼上很簡單,如果想要了解詳細的 autograd過程和反向傳播的流程機制,請參閱

1. one way的pytorch學習筆記(二)autograd自動求導
2. one way的pytorch學習筆記(三)leaf 葉子(張量)
3. one way的pytorch學習筆記(四)autograd的流程機制原理

---

更新參數

最簡單的更新參數的方法爲隨機梯度下降(SGD):
$weight = weight - learning_rate * gradient$
我們可以通過一下代碼實現

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

如果想要用其他優化算法的話需要用到torch.optim包:

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