本系列是PyTorch官网Tutorial Deep Learning with PyTorch: A 60 Minute Blitz 的翻译和总结。
下载本文的Jupyter NoteBook文件：60min_01_PyTorch Overview.ipynb
可以使用
torch.nn包构建神经网络。
现在你已经对autograd有了基本的了解,nn依赖autograd来定义模型并执行微分。一个nn.Module包含层和一个forward(input)方法用以返回output。
例如，请看以下对图像分类网络：
这是一个简单的前馈网络。它获取输入，将其一层又一层地馈入，然后最终给出输出。
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
定义网络
我们来定义上面的网络：
import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__() # 多重继承
# 一个图像输入channel，六个输出channel，3*3卷积核
self.conv1 = nn.Conv2d(1,6,3)
self.conv2 = nn.Conv2d(6,16,3)
# 线性变换: 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):
# 经过卷积层1、relu激活函数、max_pool降采样
x = F.max_pool2d(F.relu(self.conv1(x)),(2,2))
# 经过卷积层2、relu激活函数、max_pool降采样
# 如果降采样尺寸为正方形，也可以只写一个数字
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
# resize
x = x.view(-1, self.num_flat_features(x))
# 线性变换
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)
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)
)
你刚刚已经定义了前向传播的函数，而反向传播的函数将会由autograd自动给出。
网络的可学习由net.parameters()返回。
params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1's .weight
10
torch.Size([6, 1, 3, 3])
让我们尝试一个32×32随机输入。注意：该网络（LeNet）的预期输入大小为32x32。要在MNIST数据集上使用此网络，请将图像从数据集中调整为32×32。
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
tensor([[ 0.0203, 0.0255, 0.0466, 0.1283, 0.1069, 0.1514, -0.0276, -0.0390,
-0.0746, -0.0476]], grad_fn=<AddmmBackward>)
用随机梯度将所有参数和反向传播器的梯度缓冲区归零：
net.zero_grad()
out.backward(torch.randn(1, 10))
Note:
torch.nn仅支持mini-batches。整个torch.nn仅支持作为mini-batch采样的输入，而非单采样的输入。
例如，nn.Conv2d接受4维的张量：nSamples x nChannels x Height x Width.
如果你有一个单采样的输入，则只需使用input.unsqueeze(0)即可添加伪造的批次尺寸。
在继续进行之前，让我们回顾一下到目前为止所看到的所有课程。
概括：
torch.Tensor- 一个支持例如backward()等autograd操作的多维数组，同时包含关于张量的梯度。nn.Module- 神经网络模块。一个封装参数的便捷途径，同时有将其移动到GPU、导出、加载的帮助器。nn.Parameter- 一种张量，当给Module赋值时能够自动注册为一个参数。autograd.Function- 使用autograd自动实现前向传播和反向传播。每个张量的操作都至少会生成一个独立的Function节点，与生成该张量的函数相连之后，记录下操作历史。
到这里，我们掌握了：
- 如何定义一个神经网络
- 处理输入并调用反向传播
接下来我们还将了解到：
- 计算损失函数
- 更新网络权重
损失函数
损失函数采用一对(输出,目标)作为输入，并计算一个输出值来评估与目标的距离。
nn包中有几个不同的损失函数。一个简单的损失函数是：nn.MSELoss，计算输入和目标之间的均方误差。
例如：
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(0.5661, grad_fn=<MseLossBackward>)
现在，如果你使用.grad_fn属性在反向传播方向跟踪loss，你将会看到这样一张计算图。
::
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss
所以，当我们调用loss.backward()，整个图是有关损失的微分，图中所有requires_grad=True的张量的.grad属性中将会累积梯度。
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 0x0000014700F28940>
<AddmmBackward object at 0x0000014700F28940>
<AccumulateGrad object at 0x0000014700EFECC0>
反向传播
要完成反向传播，我们所要做的是loss.backward()。你需要清空现有的梯度值，否则梯度将被累积到现有的梯度中。
现在我们将调用loss.backward()，并观察conv1在反向传播之前和之后的偏置梯度。
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([-0.0008, -0.0017, -0.0009, 0.0055, -0.0086, 0.0021])
现在我们已经知道了如何使用损失函数。
只剩下：
- 如何更新网络权重
更新网络权重
实践中最简单的权重更新规则是随机梯度下降（Stochastic Gradient Descent, SGD）:
weight = weight - learning_rate * gradient
我们可以在python中这样实现出来：
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)
如果希望使用各种不同的更新规则，例如SGD，Nesterov-SGD，Adam，RMSProp等，torch.optim实现所有这些方法。使用它非常简单：
import torch.optim as optim
# 创建你的优化器
optimizer = optim.SGD(net.parameters(), lr=0.01)
# 在训练循环中
optimizer.zero_grad() # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step() # Does the update