【小白學(xué)習(xí)PyTorch教程】三、Pytorch中的NN模塊并實(shí)現(xiàn)第一個(gè)神經(jīng)網(wǎng)絡(luò)模型

「@Author：Runsen」

在PyTorch建立模型，主要是NN模塊。

nn.Linear

nn.Linear是創(chuàng)建一個(gè)線性層。這里需要將輸入和輸出維度作為參數(shù)傳遞。

linear = nn.Linear(10, 2)
example_input = torch.randn(3, 10)
example_output = linear(example_input)
example_output

上面代碼linear接受nx10的輸入并返回nx2的輸出。

print(example_input)
print(example_output)

tensor([[ 1.1122, -0.1381,  0.5547, -0.3326, -0.5676,  0.2810, -0.5521, -0.8729,
         -0.6627,  0.8729],
        [ 1.9134,  0.2397, -0.8340,  1.1532, -1.6725,  0.6171, -0.0357, -1.6848,
         -0.8454,  0.3876],
        [-0.0786, -0.1541, -0.8385, -0.1587, -0.0121,  1.4457, -0.0132,  1.5653,
         -1.6954, -0.9350]])
# 輸出如下
tensor([[-0.1249, -0.8002],
        [-1.0945, -0.2297],
        [-0.3558,  0.8439]], grad_fn=<AddmmBackward>)

nn.Relu

nn.Relu對(duì)線性的給定輸出執(zhí)行 relu 激活函數(shù)操作。

relu = nn.ReLU() 
relu_output = relu(example_output) 
relu_output

# 輸出如下
tensor([[0.0000, 0.0000],
        [0.0000, 0.0000],
        [0.0000, 0.8439]], grad_fn=<ReluBackward0>)

nn.BatchNorm1d

nn.BatchNorm1d是一種標(biāo)準(zhǔn)化技術(shù)，用于在不同批次的輸入中保持一致的均值和標(biāo)準(zhǔn)偏差。

batchnorm = nn.BatchNorm1d(2) 
batchnorm_output = batchnorm(relu_output) 
batchnorm_output

# 輸出如下
tensor([[ 0.0000, -0.7071],
        [ 0.0000, -0.7071],
        [ 0.0000,  1.4142]], grad_fn=<NativeBatchNormBackward>)

nn.Sequential

nn.Sequential一次性創(chuàng)建一系列操作。和tensorflow中的Sequential完全一樣。

mlp_layer = nn.Sequential(
    nn.Linear(5, 2),
    nn.BatchNorm1d(2),
    nn.ReLU()
)
test_example = torch.randn(5,5) + 1
print("input: ")
print(test_example)
print("output: ")
print(mlp_layer(test_example))

# 輸出如下
input: 
tensor([[ 1.4617,  1.2446,  1.4919,  1.5978, -0.3410],
        [-0.2819,  0.5567,  1.0113,  1.8053, -0.0833],
        [ 0.2830,  1.0857,  1.2258,  2.6602,  0.1339],
        [ 0.8682,  0.9344,  1.3715,  0.0279,  1.8011],
        [ 0.6172,  1.1414,  0.6030,  0.3876,  1.3653]])
output: 
tensor([[0.0000, 0.0000],
        [0.0000, 1.3722],
        [0.0000, 0.8861],
        [1.0895, 0.0000],
        [1.3047, 0.0000]], grad_fn=<ReluBackward0>)

在上面的模型中缺少了優(yōu)化器，我們無(wú)法得到對(duì)應(yīng)損失。

import torch.optim as optim
adam_opt = optim.Adam(mlp_layer.parameters(), lr=1e-1)
# 這里lr表示學(xué)習(xí)率，1e-1表示0.1
train_example = torch.randn(100,5) + 1
adam_opt.zero_grad()
# 我們將使用1減去平均值，作為簡(jiǎn)單損失函數(shù)
cur_loss = torch.abs(1 - mlp_layer(train_example)).mean()
cur_loss.backward()
# 更新參數(shù)
adam_opt.step()
print(cur_loss.data)
# 輸出如下
tensor(0.7467)

雖然上面只是用了一個(gè)epoch，訓(xùn)練線性模型得到loss為0.7467，上面就是NN模型建立model的整個(gè)流程，

第一個(gè)神經(jīng)網(wǎng)絡(luò)模型

下面實(shí)現(xiàn)第一個(gè)分類(lèi)神經(jīng)網(wǎng)絡(luò)，其中一個(gè)隱藏層用于開(kāi)發(fā)單個(gè)輸出單元。

首先，使用以下命令導(dǎo)入 PyTorch 庫(kù) -

import torch 
import torch.nn as nn

定義所有層和批量大小以開(kāi)始執(zhí)行神經(jīng)網(wǎng)絡(luò)，如下所示 -

n_in, n_h, n_out, batch_size = 10, 5, 1, 10

由于神經(jīng)網(wǎng)絡(luò)包括輸入數(shù)據(jù)的組合以獲得相應(yīng)的輸出數(shù)據(jù)，我們將遵循以下相同的程序 -

x = torch.randn(batch_size, n_in)
y = torch.tensor([[1.0], [0.0], [0.0], 
[1.0], [1.0], [1.0], [0.0], [0.0], [1.0], [1.0]])

創(chuàng)建順序模型。使用下面代碼，創(chuàng)建一個(gè)順序模型 -

model = nn.Sequential(nn.Linear(n_in, n_h),
   nn.ReLU(),
   nn.Linear(n_h, n_out),
   nn.Sigmoid())

借助梯度下降優(yōu)化器構(gòu)建損失函數(shù)，如下所示 -

# 構(gòu)造損失函數(shù)
criterion = torch.nn.MSELoss()
# 構(gòu)造優(yōu)化器
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)

使用給定代碼行的迭代循環(huán)實(shí)現(xiàn)梯度下降模型 -

# 梯度下降
for epoch in range(50):
   # 正向傳遞：通過(guò)將x傳遞給模型來(lái)計(jì)算預(yù)測(cè)的y
   y_pred = model(x)

   # 計(jì)算loss
   loss = criterion(y_pred, y)

   # 梯度清0
   optimizer.zero_grad()

   # 反向傳播，求解梯度
   loss.backward()

   # 更新模型參數(shù)
   optimizer.step()
   if epoch % 10 == 0:
      print('epoch: ', epoch,' loss: ', loss.item())

輸出如下

epoch:  0  loss:  0.2508794665336609
epoch:  10  loss:  0.24847669899463654
epoch:  20  loss:  0.24615907669067383
epoch:  30  loss:  0.24392127990722656
epoch:  40  loss:  0.24175791442394257