目录
- 一、简介
- 二、神经网络训练过程
- 2、通过调用net.parameters()返回模型可训练的参数
- 3、迭代整个输入
- 4、调用反向传播
- 5、计算损失值
- 6、反向传播梯度
- 7、更新神经网络参数
- 总结
一、简介
神经网络可以通过torch.nn包构建，上一节已经对自动梯度有些了解，神经网络是基于自动梯度来定义一些模型。一个nn.Module包括层和一个方法，http://www.cppcns.com它会返回输出。例如：数字图片识别的网络：
上图是一个简单的前回馈神经网络，它接收输入，让输入一个接着一个通过一些层，最后给出输出。
二、神经网络训练过程
一个典型的神经
# -*- coding: utf-8 -*-
"""
Created on Sun Oct 24 15:56:23 2021
@author: Lenovo
"""
# 神经网络
# import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module)www.cppcns.com:
def __init__(self):
super(Net,self).__init__()
# 1个输入，6个输出，5*5的卷积
# 内核
self.conv1=nn.Conv2d(1,6,5)
self.conv2=nn.Conv2d(6,16,5)
# 映射函数：线性——y=Wx+b
self.fc1=nn.Linear(16*5*5,120)#输入特征值：16*5*5，输出特征值：120
self.fc2=nn.Linear(120,84)
self.fc3=nn.Linear(84,10)
def forward(self,x):
x=F.max_pool2d(F.relu(self.conv1(x)),(2,2))
# 如果其尺寸是一个square只能指定一个数字
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:]
num_features=1
for s in size:
num_features *= s
return num_features
net=Net()
print(net)
运行结果
以上定义了一个前馈函数，然后反向传播函数被自动通过autograd定义，可以使用任何张量操作在前馈函数上。
2、通过调用net.parameters()返回模型可训练的参数
# 查看模型可训练的参数 params=list(net.parameters()) print(len(params)) print(params[0].size())# conv1 的权重weight
运行结果
3、迭代整个输入
尝试随机生成一个3232的输入。注：期望的toQGNfdCy输入维度是3232，为了在MNIST数据集上使用这个网络，我们需要把数据集中的图片维度修改为32*32
input=torch.randn(1, 1, 32,32) print(input) out=net(input) print(out)
运行结果
4、调用反向传播
将所有参数梯度缓存器置零，用随机的梯度来反向传播
# 调用反向传播 net.zero_grad() out.backward(torch.randn(1, 10))
运行结果
5、计算损失值
#计算损失值——损失函数：一个损失函数需要一对输入：模型输出和目标，然后计算一个值来评估输出距离目标多远。有一些不同的损失函数在nn包中，一个简单的损失函数就是nn.MSELoss，他计算了均方误差
如果跟随损失到反向传播路径，可以使用他的.grad_fn属性，将会看到一个计算图
# 在调用loss.backward()时候，整个图都会微分，而且所有的图中的requires_grad=True的张量将会让他们的grad张量累计梯度 #跟随以下步骤反向传播 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
运行结果
6、反向传播梯度
为了实现反向传播loss，我们所有需要做的事情仅仅是使用loss.backward()。需要先清空现存的梯度，不然梯度将会和现存的梯度累计在一起。
# 调用loss.backward()然后看一下con1的偏置项在反向传播之前和之后的变化
net.zero_grad()
print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)
loss.backward()#反向传播
print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)
运行结果
7、更新神经网络参数
# ============================================================================= # # 最简单的更新规则就是随机梯度下降:weight=weight-learning_rate*gradient # learning_rate=0.01 # for f in net.parameters(): # f.data.sub_(f.grad.data*learning_rate)#f.data=f.data-learning_rate*gradient # =============================================================================
如果使用的是神经网络，想要使用不同的更新规则，类似于SGD,Nesterov-SGD,Adam,RMSProp等。为了让这可行，Pytorch建立一个称为torch.optim的package实现所有的方法，使用起来更加方便
# ============================================================================= # import torch.optim as opwww.cppcns.comtoQGNfdCytim # optimizer=optim.SGD(net.parameters(), lr=0.01) # # 在迭代训练过程中 # optimizer.zero_grad()#将现存梯度置零 # output=net(input) # loss=criterion(output,target) # loss.backward()#反向传递 # optimizer.step()#更新网络参数 # =============================================================================
总结
本篇文章就到这里了，希望能够给你带来帮助，也希望您能够多多关注我们的更多内容!
加载中,请稍侯......
精彩评论