Pytorch 神经网络训练过程

2021-02-19 15:03:15 浏览数 (1)

文章目录

    • 1. 定义模型
      • 1.1 绘制模型
      • 1.2 模型参数
    • 2. 前向传播
    • 3. 反向传播
    • 4. 计算损失
    • 5. 更新参数
    • 6. 完整简洁代码

参考 http://pytorch123.com/

1. 定义模型

代码语言：javascript复制
import torch
import torch.nn as nn
import torch.nn.functional as F

class Net_model(nn.Module):
    def __init__(self):
        super(Net_model, self).__init__()
        self.conv1 = nn.Conv2d(1,6,5) # 卷积
        		# in_channels, out_channels, kernel_size, stride=1,
                # padding=0, dilation=1, groups=1,
                # bias=True, padding_mode='zeros'
        self.conv2 = nn.Conv2d(6,16,5)
        self.fc1 = nn.Linear(16*5*5, 120) # FC层
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)
    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = F.max_pool2d(x, (2,2))
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = x.view(-1, self.num_flat_features(x)) # 展平
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        x = F.relu(x)
        x = self.fc3(x)
        return x
    def num_flat_features(self, x):
        size = x.size()[1:] # 除了batch 维度外的维度
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

model = Net_model()
print(model)

输出：

代码语言：javascript复制
Net_model(
  (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)
)

1.1 绘制模型

代码语言：javascript复制
from torchviz import make_dot
vis_graph = make_dot(model(input),params=dict(model.named_parameters()))
vis_graph.view()

1.2 模型参数

代码语言：javascript复制
params = list(model.parameters())
print(len(params))
for i in range(len(params)):
    print(params[i].size())

输出：

代码语言：javascript复制
10
torch.Size([6, 1, 5, 5])
torch.Size([6])
torch.Size([16, 6, 5, 5])
torch.Size([16])
torch.Size([120, 400])
torch.Size([120])
torch.Size([84, 120])
torch.Size([84])
torch.Size([10, 84])
torch.Size([10])

2. 前向传播

代码语言：javascript复制
input = torch.randn(1,1,32,32)
out  = model(input)
print(out)

输出：

代码语言：javascript复制
tensor([[-0.1100,  0.0273,  0.1260,  0.0713, -0.0744, -0.1442, -0.0068, -0.0965,
         -0.0601, -0.0463]], grad_fn=<AddmmBackward>)

3. 反向传播

代码语言：javascript复制
# 清零梯度缓存器
model.zero_grad()
out.backward(torch.randn(1,10)) # 使用随机的梯度反向传播

4. 计算损失

代码语言：javascript复制
output = model(input)
target = torch.randn(10) # 举例用
target = target.view(1,-1) # 形状匹配 output
criterion = nn.MSELoss() # 定义损失类型
loss = criterion(output, target)
print(loss)
# tensor(0.5048, grad_fn=<MseLossBackward>)
  • 测试 .zero_grad() 清零梯度缓存作用
代码语言：javascript复制
model.zero_grad()
print(model.conv1.bias.grad)
loss.backward()
print(model.conv1.bias.grad)

输出：

代码语言：javascript复制
tensor([0., 0., 0., 0., 0., 0.])
tensor([-0.0067,  0.0114,  0.0033, -0.0013,  0.0076,  0.0010])

5. 更新参数

代码语言：javascript复制
learning_rate = 0.01
for f in model.parameters():
    f.data.sub_(f.grad.data*learning_rate)

6. 完整简洁代码

代码语言：javascript复制
criterion = nn.MSELoss() # 定义损失类型
import torch.optim as optim
optimizer = optim.SGD(model.parameters(), lr=0.1)# 优化目标，学习率

# 循环执行以下内容 训练
optimizer.zero_grad() # 清空梯度缓存
output = model(input) # 输入，输出，前向传播

loss = criterion(output, target) # 计算损失

loss.backward() # 反向传播

optimizer.step() # 更新参数
缓存 zero 测试 模型

0 人点赞