Neural Networks

神经网络能够使用torch.nn包构建神经网络。

现在你已经对autogard有了初步的了解，nn基于autograd来定义模型并进行微分。一个nn.Module包含层，和一个forward(input)方法并返回output。

以如下分类数字图片的网络所示：

这是一个简单的前馈网络。它接受输入，经过一层接着一层的神经网络层，最终得到输出。

一个神经网络典型的训练流程如下：

定义拥有可学习的参数的神经网络
迭代数据集作为输入
经过网络处理输入
计算损失（离正确输出的距离）
反向传播梯度到网络参数
更新网络的权重，比如简单的更新规则：weight=weight-learning_rate*gradient

定义网络

让我们定义这个网络：　　

import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        # 一个输入图片通道，六个输出通道，5*5的卷积核
        self.conv1=nn.Conv2d(1,6,5)
        self.conv2=nn.Conv2d(6,16,5)
        # 一个仿射操作：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):
        # 2*2窗口的最大赤化
        x=F.max_pool2d(F.relu(self.conv1(x)),(2,2))
        # 如果是一个方块就只需要指定一个长度
        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):
　　　　　#第一个尺寸是batch size
        size=x.size()[1:]
        print(size)
        num_features=1
        for s in size:
            num_features*=s
        return num_features

net=Net()
print(net)

out:
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)
)

你只需要定义forward函数，backward函数（计算梯度的地方）是自动定义的。你能够在forward中使用任意的tensor运算。

模型可学习的参数将通过net.parameters()返回

params=list(net.parameters())
print(len(params))
print(params[0].size())

out:
10
torch.Size([6, 1, 5, 5])

让我们试一下随机的32*32输入，注意：这个网络（LeNet）期望的输入尺寸是32*32。为了在MNIST数据集上使用这个网络，请将数据集的图片调整到32*32。

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

out:
tensor([[ 0.0355, -0.0294, -0.0025, -0.0743, -0.0168, -0.0202, -0.0558,
0.0803, -0.0162, -0.1153]])

将所有参数的梯度缓冲变为0并使用随机梯度进行后向传播：

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

!注意：

torch.nn只支持最小批。整个torch.nn包只支持输入的样本是一个最小批，而不是一个单一样本.

举例来说，nn.Conv2d将会接收4维的Tensor,nSamples*nChannels*Heights*Width.

如果你有一个单一样本，可以使用input.unsqueeze(0)来增加一个虚假的批维度。

在进行进一步处理前，让我们简要重复目前为止出现的类。

扼要重述：

torch.Tensor- 一个支持自动求导操作比如backward()的多维数组。同时保留关于tensor的梯度.
nn.Module- 神经网络模型。简易的封装参数的方法，帮助将它们转移到GPU上，导出加载等等.
nn.Parameters - 一类Tensor,在作为Module属性指定时会自动注册为一个parameter.
autograd.Function- 自动求导操作前向与后向的实现。每个tensor操作，至少创建一个Functional节点，它连接到创建Tensor的函数并编码它的历史

在这一节，我们包含了：

定义一个神经网络
处理输入并调用后向传播

还剩下：

计算损失
更新网络的权重

损失函数：

损失函数接收对（输出，目标）作为输入，计算一个值估计输出与目标之间的距离。

nn包下有一些不同的损失函数。一个简单的损失是nn.MSELoss,它计算的是输入与输出之间的均方误差。

比如：

output=net(input)
target=torch.randn(10)
target=target.view(1,-1)
criterion=nn.MSELoss()

loss=criterion(output,target)
print(loss)

out:
tensor(1.1941)

现在，如果你如果按照loss的反向传播方向，使用.grad_fn属性，你将会看到一个计算图如下所示：

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

所以，当你调用loss.backward(),整个图关于损失求导，并且图中所有requires_grad=True的tensor将会有它们的.grad属性。Tensor的梯度是累加的。

为了说明这一点，我们跟踪backward的部分步骤：

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

out:
<MseLossBackward object at 0x0000020E2E1289B0>
<AddmmBackward object at 0x0000020E2BF48048>
<ExpandBackward object at 0x0000020E2BF48048>

Backprop

为了反向传播error，我们需要做的就是loss.backward()。你需要清除现有的梯度，否则梯度将会累计到现有梯度上。

现在我们会调用loss.backward(),观察调用backward前后conv1层偏差的梯度。

net.zero_grad()

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)
loss.backward()
print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

out:
conv1.bias.grad before backward
None     # 上一个版本将会是一个为0的向量
conv1.bias.grad after backward
tensor(1.00000e-03 *
[ 4.0788,  1.9541,  5.8585, -2.3754,  2.3815,  1.3351])

现在我们知道了如何使用loss函数

稍后阅读：

神经网络包包含各种模型和loss函数，它们组成了深度神经网络的构建区块。完整的文档在这里。http://pytorch.org/docs/nn

剩下来需要学习的是：

更新网络的权重

更新权重

实际中使用的最简单更新规则是随机梯度下降（SGD）:

weight=weight-learning_rate*gradient

我们能够使用简单的python代码实现：

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

然而，当我们使用神经网络，你想要使用各种不同的更新规则比如SGD,Nesterov-SGD,Adam,RMSProp等。为了做到这一点，我们建立了一个小的包torch.optim实现了这些方法。使用它非常简单。

import torch.optim as optim

#create your optimizer
optimizer =optim.SGD(net.parameters(),lr=0.01)

# in your training loop
optimizer.zero_grad()
output=net(input)
loss=criterion(output,target)
loss.backward()
optimizer.step()

！注意：

手动使用optimizer.zero_grad()来将梯度缓冲变为0。这在Backprop章节进行了解释，因为梯度是累加的。