PyTorch 介绍 | BUILD THE NEURAL NETWORK

2022-02-07 14:34:45 阅读：290 来源： 互联网

标签：NETWORK nn torch device PyTorch BUILD 0.0000 512 Size

神经网络由对数据进行操作的layers/modules组成。torch.nn 命名空间提供了所有你需要的构建块，用于构建你自己的神经网络。PyTorch的每一个module都继承自nn.Module。神经网络本身也是包含其它module（layer）的module。这种嵌套结构允许轻松构建和管理复杂的架构。

下面，我们将构建一个神经网络分类FashionMNIST数据集的图片

import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

为训练获取设备

如果可以的话，我们想要能够在一个类似于GPU的硬件加速器上训练模型。检查torch.cuda，否则继续使用CPU。

device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(f"Using {device} device")

输出：

Using cuda device

定义类

通过继承 nn.Module 定义我们的神经网络。利用 __init__ 初始化神经网络的layers。每个 nn.Module 的子类利用 forward 方法对输入数据进行操作。

class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )
    
    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

创建 NeuralNetwork 实例，并将其转移到 device，并打印它的结构

model = NeuralNetwork().to(device)
print(model)

输出：

NeuralNetwork(
  (flatten): Flatten(start_dim=1, end_dim=-1)
  (linear_relu_stack): Sequential(
    (0): Linear(in_features=784, out_features=512, bias=True)
    (1): ReLU()
    (2): Linear(in_features=512, out_features=512, bias=True)
    (3): ReLU()
    (4): Linear(in_features=512, out_features=10, bias=True)
  )
)

为使用模型，我们传入input data。这将沿着一些background operations执行模型的 forward。不要直接调用 model.forward()

将input输入模型返回维度大小为10的tensor，包含对每个类的原始预测值。我们通过将其传入 nn.Softmax module的实例获取预测概率值。

X = torch.rand(1, 28, 28, device=device)
logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

输出：

Predicted class: tensor([1], device='cuda:0')

Model Layers

让我们来分解一下FashionMNIST模型的layers。为了说明，我们构建了一个具有3个28x28图片样本的minibatch，观察将其输入网络后发生了什么。

input_image = torch.rand(3, 28, 28)
print(input_image.size())

输出：

torch.size([3, 28, 28])

nn.Flatten

初始化 nn.Flatten 层，将每一个2D 28x28图片转换为一个连续的具有784像素值的数组（保留minibatch维度（dim=0））。

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())

输出：

torch.Size([3, 784])

nn.Linear

linear layer也是一个module，它是对input使用保存的权重和偏置进行线性变换。

layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())

输出：

torch.Size([3, 20])

nn.ReLU

非线性激活函数在模型的输入和输出之间创建了复杂的映射关系，它们在线性转换后用以引入非线性，帮助网络学习到各种各样的现象。

在此模型中，我们在线性层之间使用nn.ReLU，但也可以在你的模型中使用其它激活函数引入非线性。

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

输出：

点击查看代码

Before ReLU: tensor([[-0.2541, -0.1397,  0.2342,  0.1364, -0.0437,  0.3759,  0.2808, -0.0619,
          0.2780,  0.2830, -0.4725,  0.4298,  0.2717, -0.1618, -0.0604,  0.3242,
         -0.5874, -0.5922, -0.2481, -0.4181],
        [-0.1339, -0.1163,  0.1688,  0.1112,  0.1179,  0.3560,  0.0990, -0.1398,
          0.2619, -0.1023, -0.7150, -0.1186,  0.3338, -0.0817,  0.1983, -0.2084,
         -0.3889, -0.2361, -0.0752, -0.2144],
        [-0.1284,  0.0683,  0.0707,  0.0997, -0.2274,  0.4379,  0.1461,  0.0949,
          0.2710, -0.0563, -0.6621, -0.3552,  0.4966,  0.2304,  0.0020, -0.0470,
         -0.6260, -0.2077, -0.0790, -0.4635]], grad_fn=<AddmmBackward0>)


After ReLU: tensor([[0.0000, 0.0000, 0.2342, 0.1364, 0.0000, 0.3759, 0.2808, 0.0000, 0.2780,
         0.2830, 0.0000, 0.4298, 0.2717, 0.0000, 0.0000, 0.3242, 0.0000, 0.0000,
         0.0000, 0.0000],
        [0.0000, 0.0000, 0.1688, 0.1112, 0.1179, 0.3560, 0.0990, 0.0000, 0.2619,
         0.0000, 0.0000, 0.0000, 0.3338, 0.0000, 0.1983, 0.0000, 0.0000, 0.0000,
         0.0000, 0.0000],
        [0.0000, 0.0683, 0.0707, 0.0997, 0.0000, 0.4379, 0.1461, 0.0949, 0.2710,
         0.0000, 0.0000, 0.0000, 0.4966, 0.2304, 0.0020, 0.0000, 0.0000, 0.0000,
         0.0000, 0.0000]], grad_fn=<ReluBackward0>)

nn.Sequential

nn.Sequential是modules的排序容器。输入数据根据所定义的，按照相同的顺序依次通过所有module。你可以使用顺序容器快速组建一个网络，如 seq_modules。

seq_modules = nn.Sequential(
    flatten,
    layer1,
    nn.ReLU(),
    nn.Linear(20, 10)
)
input_image = torch.rand(3, 28, 28)
logits = seq_modules(input_image)

nn.Softmax

神经网络的最后一个线性层返回logits - 原始数值，范围是[-infty, infty] - 传入nn.Softmax module。logits被缩放到[0, 1]，表示了模型对每个类别的预测概率值。dim 参数指定了元素的和为1的维度。

softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)

模型参数

许多神经网络中的层都是参数化的，即具有训练过程中可被优化的相关权重和偏置。继承nn.Module自动跟踪模型对象定义的所有区域，并使得所有参数都可通过模型的 parameters() 或 named_parameters()方法访问。

print("Model structure: ", model, '\n\n')

for name, param in model.named_parameters():
    print(f:"Layer: {} | Size: {param.size()} | Values: {param[:2]} \n")

输出：