现在试着用pytorch搭建一个手写字母识别的网络，这是一个很经典的demo，网络结构如下：
网络结构
流程包括以下几步
1.定义一个神经网络
2.迭代输入训练数据
3.前向传播
4.计算loss
5.反向传播
6.更新网络参数（weight = weight - learning_rate * gradient，weight往梯度下降的方向增加）
首先定义网络：
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, 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)
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)
输出为：
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)
)
可以通过调用.parameters()来查看其中一层的参数：
params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1's .weight
输出为
10
torch.Size([6, 1, 5, 5])
我们尝试给网络一个随机的输入：
input = torch.randn(1, 1, 32, 32)
这里四个参数定义了一个四维的矩阵，如果按灰度图像来看，第一个相当于图像的张数，第二个相当与图像的通道数，灰度为1，rgb为3，后面两个相当于图像的尺寸。
通过网络：
out = net(input)
print(out)
之后可以得到：
tensor([[-0.0089, -0.0514, 0.0059, 0.1412, -0.1543, 0.0494, -0.0966,
-0.1150, -0.0986, -0.1103]])
下面计算loss，这里使用MSEloss：
output = net(input)
target = torch.arange(1, 11) # 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)
得到输出：
tensor(39.2273)
整个网络的前向过程如下所示：
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss
通过使用loss.backward()函数实现梯度的反向传播：
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)
可以得到输出为：
conv1.bias.grad before backward
tensor([ 0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0501, 0.1040, -0.1200, 0.0833, 0.0081, 0.0120])
关于pytorch中的各个层的详细介绍看这里
关于梯度下降算法，需要使用torch.optim包，如下所示：
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
步骤为首先设置梯度下降的方式（支持SGD, Nesterov-SGD, Adam, RMSProp等），并设置学习率，在每一次迭代中首先清空梯度计算的缓存，然后输入计算数据，计算loss，反向传播，调用.step()完成参数的更新。
网友评论