PyTorch深度学习实践入门01

Posted 2022-11-27 云才哥

文章目录

• 基于PyTorch的两层神经网络
• 一、基于numpy的两层神经网络实现：
• 二、基于PyTorch的两层神经网络实现：
• 三、使用nn库实现两层神经网络
• 四、自定义nn Modules实现两层神经网络
• 总结

---

基于PyTorch的两层神经网络

提示：在计算神经网络的层数时，只计算具有计算能力的层，而输入层只是将数据进行输入，无计算过程，所以层数：隐藏层层数+1个输出层。所以在此文中两层即一层隐藏层和一层输出层。
本案例中实现的两层神经网络如下图所示：其中输入X为1000维的向量，输出Y为10维的向量。而中间隐藏层的神经元个数为100。

---

一、基于numpy的两层神经网络实现：

为显示出PyTorch框架在深度学习上的便利，本文首先使用numpy最原始的方法实现一下神经网络。

import numpy as np

# N（输入数据数量）; D_in（输入数据维度）;
# H（隐藏神经元个数）; D_out（输出维度）.
N, D_in, H, D_out = 64, 1000, 100, 10

# 创建训练集
x = np.random.randn(N, D_in)
y = np.random.randn(N, D_out)

# 初始化权重向量
w1 = np.random.randn(D_in, H)   # w1为输入数据到隐藏层的计算参数
w2 = np.random.randn(H, D_out)  # w2为隐藏层到输出数据的计算参数

learning_rate = 1e-6   #设置模型的学习速率
for t in range(500):   #设置梯度下降的次数为500
    # Forward pass: compute predicted y
    h = x.dot(w1)  
    h_relu = np.maximum(h, 0)  #使用relu激活函数，为解决非线性函数拟合问题
    y_pred = h_relu.dot(w2)

    # 定义损失函数，计算损失（该处使用方差来计算计算损失）
    loss = np.square(y_pred - y).sum()
    print(t, loss)

    # Backward 计算梯度
    # loss = (y_pred - y) ** 2，梯度下降的目的是要使得损失尽可能小
    # loss = f(w1,w2)  #梯度下降求梯度时，参数为变量，损失为因变量，由此需要根据链式法则来求w1和w2的梯度。
    grad_y_pred = 2.0 * (y_pred - y)  #根据方差损失函数的梯度公式求取梯度
    grad_w2 = h_relu.T.dot(grad_y_pred)
    grad_h_relu = grad_y_pred.dot(w2.T)
    grad_h = grad_h_relu.copy()
    grad_h[h < 0] = 0
    grad_w1 = x.T.dot(grad_h)

    # 根据梯度和学习速率，更新参数。
    w1 -= learning_rate * grad_w1
    w2 -= learning_rate * grad_w2

二、基于PyTorch的两层神经网络实现：

为显示出PyTorch框架的一些内置功能模块在深度学习上的遍历，以及方便入门理解PyTorch原理，先使用PyTorch最原始的方法实现一下神经网络。

PyTorch的一个重要功能就是autograd，也就是说只要定义了forward pass(前向神经网络)，计算了loss之后，PyTorch可以自动求导计算模型所有参数的梯度。
一个PyTorch的Tensor表示计算图中的一个节点。如果x是一个Tensor并且x.requires_grad=True那么x.grad是另一个储存着x当前梯度(相对于一个scalar，常常是loss)的向量。

import torch

dtype = torch.float
device = torch.device("cpu")
# device = torch.device("cuda:0") # Uncomment this to run on GPU

# N 是 batch size; D_in 是 input dimension;
# H 是 hidden dimension; D_out 是 output dimension.
N, D_in, H, D_out = 64, 1000, 100, 10

# 创建随机的Tensor来保存输入和输出
# 设定requires_grad=False表示在反向传播的时候我们不需要计算gradient
x = torch.randn(N, D_in, device=device, dtype=dtype)
y = torch.randn(N, D_out, device=device, dtype=dtype)

# 创建随机的Tensor和权重。
# 设置requires_grad=True表示我们希望反向传播的时候计算Tensor的gradient
w1 = torch.randn(D_in, H, device=device, dtype=dtype, requires_grad=True)
w2 = torch.randn(H, D_out, device=device, dtype=dtype, requires_grad=True)

learning_rate = 1e-6
for t in range(500):
    # Forward pass: compute predicted y
    h = x.mm(w1)  # 在PyTorch中mm函数用来计算两个举证的乘积
    h_relu = h.clamp(min=0)  # tensor.clamp用来夹值，即不再指定[min,max]范围内的值置零，否则保持不变。
    y_pred = h_relu.mm(w2)

    # 通过前向传播计算loss
    # loss是一个形状为(1，)的Tensor
    # loss.item()可以给我们返回一个loss的scalar
    loss = (y_pred - y).pow(2).sum()
    print(t, loss.item())
	"""
	梯度优化实现方式一，于上方numpy的优化实现方式相同
    # Backprop to compute gradients of w1 and w2 with respect to loss
    grad_y_pred = 2.0 * (y_pred - y)
    grad_w2 = h_relu.t().mm(grad_y_pred)
    grad_h_relu = grad_y_pred.mm(w2.t())
    grad_h = grad_h_relu.clone()
    grad_h[h < 0] = 0
    grad_w1 = x.t().mm(grad_h)

    # Update weights using gradient descent
    w1 -= learning_rate * grad_w1
    w2 -= learning_rate * grad_w2
    """
    """
	方式二：使用PyTorch自带的方向传播方式
	"""
    # PyTorch给我们提供了autograd的方法做反向传播。如果一个Tensor的requires_grad=True，
    # backward会自动计算loss相对于每个Tensor的gradient。在backward之后，
    # w1.grad和w2.grad会包含两个loss相对于两个Tensor的gradient信息。
    loss.backward()

    # 我们可以手动做gradient descent(后面我们会介绍自动的方法)。
    # 用torch.no_grad()包含以下statements，因为w1和w2都是requires_grad=True，
    # 但是在更新weights之后我们并不需要再做autograd。
    # 另一种方法是在weight.data和weight.grad.data上做操作，这样就不会对grad产生影响。
    # tensor.data会我们一个tensor，这个tensor和原来的tensor指向相同的内存空间，
    # 但是不会记录计算图的历史。
    with torch.no_grad():
        w1 -= learning_rate * w1.grad
        w2 -= learning_rate * w2.grad

        # Manually zero the gradients after updating weights
        w1.grad.zero_()
        w2.grad.zero_()

三、使用nn库实现两层神经网络

使用PyTorch中nn这个库来构建网络。 用PyTorch autograd来构建计算图和计算gradients， 然后PyTorch会帮我们自动计算gradient。使用optim这个包来帮助我们更新参数。 optim这个package提供了各种不同的模型优化方法，包括SGD+momentum, RMSProp, Adam等等。

import torch
import numpy as np

# N（输入数据数量）; D_in（输入数据维度）;
# H（隐藏神经元个数）; D_out（输出维度）.
N, D_in, H, D_out = 64, 1000, 100, 10

# 创建训练集
x = np.random.randn(N, D_in)
y = np.random.randn(N, D_out)

# 定义模型网络结构，使用的是Sequential模型结构
model = torch.nn.Sequential(
    torch.nn.Linear(D_in, H),
    torch.nn.ReLU(),
    torch.nn.Linear(H, D_out),
)
# 定义损失函数
loss_fn = torch.nn.MSELoss(reduction='sum')
#设置学习速率
learning_rate = 1e-4  
# 使用optim在更新参数，（可以设置下降方式）此处使用的是Adam优化算法
# 注意使用优化算法时需要将模型的参数和学习速率传入给优化算法
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
for t in range(500):  # 定义下降次数为500
    # Forward pass: 创建对象时会自动调用对象的forward函数
    y_pred = model(x) #返回的就是预测的y值（即跑完nn库定义的网络图得到的结果）

    # 计算损失.
    loss = loss_fn(y_pred, y)
    print(t, loss.item())

    # PyTorch默认会对梯度值进行累加，所以进行反向传播计算梯度时，需要使用zero_grad()函数将梯度置零
    optimizer.zero_grad()

    # Backward pass: 反向传播计算梯度
    loss.backward()

    # 通过optimizer对象调用step函数更新参数
    optimizer.step()

四、自定义nn Modules实现两层神经网络

定义一个模型，这个模型继承自nn.Module类。如果需要定义一个比Sequential模型更加复杂的模型，就需要定义nn.Module模型。

import torch


class TwoLayerNet(torch.nn.Module):
    def __init__(self, D_in, H, D_out):
        """
        初始化函数中需要
        	1、调用父类nn.Module的初始化函数
        	2、定义当前网络结构各层间参数（即整个网络结构计算图）
        """
        super(TwoLayerNet, self).__init__()
        self.linear1 = torch.nn.Linear(D_in, H)
        self.linear2 = torch.nn.Linear(H, D_out)

    def forward(self, x):
        # 定义当前模型的forward函数
        h_relu = self.linear1(x).clamp(min=0)
        y_pred = self.linear2(h_relu)
        return y_pred


# N（输入数据数量）; D_in（输入数据维度）;
# H（隐藏神经元个数）; D_out（输出维度）.
N, D_in, H, D_out = 64, 1000, 100, 10

# 创建训练集
x = np.random.randn(N, D_in)
y = np.random.randn(N, D_out)

# 实例化模型结构类，定义模型
model = TwoLayerNet(D_in, H, D_out)

# 使用交叉熵来衡量损失
criterion = torch.nn.MSELoss(reduction='sum')
# 使用SGD优化算法
optimizer = torch.optim.SGD(model.parameters(), lr=1e-4)
for t in range(500):
    # Forward pass: Compute predicted y by passing x to the model
    y_pred = model(x)

    # Compute and print loss
    loss = criterion(y_pred, y)
    print(t, loss.item())

    # Zero gradients, perform a backward pass, and update the weights.
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

---

总结

PyTorch框架在深度学习构建模型以及计算上非常便利。可以使用一些已经定义好的功能模块来提高编程效率。

1. PyTorch的一个重要功能就是autograd，tensor.backward()可以自动进行反向传播计算梯度值（需要计算梯度值的tensor在定义时需要指定requires_grad=True），得到的梯度值则保存在tensor.grad属性中。
2. 可以使用PyTorch中nn这个库来构建网络
3. 使用optim这个包来帮助我们更新参数，而且可以使用不同的优化算法。
4. 可以自定义nn.Module类实现自己需要的模型
5. PyTorch默认会对梯度进行累加，所以在调用backward函数时，需要先使用model.zero_grad()来将梯度置零。