零基础构建神经网络：使用PyTorch从零编写前馈神经网络代码

Posted 2021-05-02 专知

【导读】1月20日，机器学习研究人员Jeff Hu发布一篇深度学习教程，与其他的文章略有不同，作者并不介绍深度学习最前沿技术、也没有分析深度模型的优劣，而是从基础做起，教读者如何利用PyTorch从零开始编写一个前馈神经网络，毕竟，打好基础也是至关重要的！作者从加载数据，到网络代码编写、参数设置、训练模型、测试FNN模型，一步步通过代码实现，可以说，只要你一步步跟着做基本上就能实现一个FNN网络，这样更有助于从根本上理解FNN的结构。专知内容组编辑整理。

图像来自：https://media.scmagazine.com

A Simple Starter Guide to Build a Neural Network

建立神经网络的一个简单的入门指导

从今天开始，通过PyTorch，你将能够开发和构建一个前馈神经网络（FNN）。这里是FNN的Python jupyter代码库：https://github.com/yhuag/neural-network-lab

本篇指南作为一个基本的实践工作，旨在引导你从头开始构建神经网络。但是大部分数学概念都被忽略了。你可以自己自由学习那部分内容。

▌开始着手（准备工作）

---

---

 

1. 请确保你的机器上安装了Python和PyTorch：

• Python 3.6（安装）

  链接：https://www.python.org/downloads/

• PyTorch （安装）

  链接：http://pytorch.org/

2. 通过在控制台的命令行检查Python安装的正确性：

python -V

输出应该是Python 3.6.3或更高版本

3. 打开一个repository（文件夹）并创建你的第一个神经网络文件：

mkdir fnn-tuto
cd fnn-tuto
touch fnn.py

▌开始编写代码

---

---

 

所有下面的代码应该写在fnn.py文件中

• 导入PyTorch

import torch
import torch.nn as nn
import torchvision.datasets as dsets
import torchvision.transforms as transforms
from torch.autograd import Variable

这可以把PyTorch加载到代码中。这是我们编程的开端，良好的开端是成功的一半。

• 初始化超参数（Hyper-parameters）

超参数是预先设置的强大参数，不会随着神经网络的训练而更新，设置如下。

input_size = 784       # The image size = 28 x 28 = 784
hidden_size = 500      # The number of nodes at the hidden layer
num_classes = 10       # The number of output classes. In this case, from 0 to 9
num_epochs = 5         # The number of times entire dataset is trained
batch_size = 100       # The size of input data took for one iteration
learning_rate = 0.001  # The speed of convergence

• 下载MNIST数据集

MNIST是一个手写数字（即0到9）的大型数据库，旨在用于图像处理研究。

train_dataset = dsets.MNIST(root='./data',
                           train=True,
                           transform=transforms.ToTensor(),
                           download=True)

test_dataset = dsets.MNIST(root='./data',
                           train=False,
                           transform=transforms.ToTensor())

• 加载数据集

下载MNIST数据集后，我们将它们加载到我们的代码中。

train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
                                          batch_size=batch_size,
                                          shuffle=True)

test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
                                          batch_size=batch_size,
                                          shuffle=False)

注意：我们对train_dataset的加载过程进行了调整，以使学习过程独立于数据顺序，但是test_loader的顺序仍然是检查我们是否能够处理未指定顺序的输入。

• 构建前馈神经网络

 

现在我们已经准备好了数据集。我们将开始构建神经网络。图结构可以解释如下：图片来源： http://web.utk.edu/

• 前馈神经网络模型结构

FNN包括两个全连接层(即fc1和fc2)和一个介于两者之间的非线性ReLU层。通常我们称这个结构为1-hidden layer FNN（含有一个隐藏层的前馈神经网络），但是并不把输出层(fc2)算在其中。

通过运行正向传递，输入图像(x)可以通过神经网络并生成一个输出(out)，说明它属于10个类中的每个类的概率。例如，一张猫的图像可以有0.8的可能性是狗类和0.3的可能性是飞机类。

class Net(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(Net, self).__init__()                    # Inherited from the parent class nn.Module
        self.fc1 = nn.Linear(input_size, hidden_size)  # 1st Full-Connected Layer: 784 (input data) -> 500 (hidden node)
        self.relu = nn.ReLU()                          # Non-Linear ReLU Layer: max(0,x)
        self.fc2 = nn.Linear(hidden_size, num_classes) # 2nd Full-Connected Layer: 500 (hidden node) -> 10 (output class)

    def forward(self, x):                              # Forward pass: stacking each layer together
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

• 实例化FNN

我们现在根据我们的结构创建一个真正的FNN。

net = Net(input_size, hidden_size, num_classes)

• 启用GPU

注意：你可以启用这一行来运行GPU上的代码。

# net.cuda()    # You can comment out this line to disable GPU

• 选择损失函数和优化器

损失函数(准则)决定了如何将输出与类进行比较，这决定了神经网络的性能好坏。优化器选择了一种方法来更新权重，以收敛于这个神经网络中的最佳权重。

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate)

• 训练FNN模型

此过程可能需要大约3到5分钟，具体取决于您的机器。详细解释请看如下代码中的注释（＃）。

for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):   # Load a batch of images with its (index, data, class)
        images = Variable(images.view(-1, 28*28))         # Convert torch tensor to Variable: change image from a vector of size 784 to a matrix of 28 x 28
        labels = Variable(labels)

        optimizer.zero_grad()                             # Intialize the hidden weight to all zeros
        outputs = net(images)                             # Forward pass: compute the output class given a image
        loss = criterion(outputs, labels)                 # Compute the loss: difference between the output class and the pre-given label
        loss.backward()                                   # Backward pass: compute the weight
        optimizer.step()                                  # Optimizer: update the weights of hidden nodes

        if (i+1) % 100 == 0:                              # Logging
            print('Epoch [%d/%d], Step [%d/%d], Loss: %.4f'
                 %(epoch+1, num_epochs, i+1, len(train_dataset)//batch_size, loss.data[0]))

• 测试FNN模型

类似于训练神经网络，我们还需要加载批量的测试图像并收集输出。不同之处在于：

1. 没有损失和权重的计算

2. 没有权重的更新

3. 有正确的预测计算

correct = 0
total = 0
for images, labels in test_loader:
    images = Variable(images.view(-1, 28*28))
    outputs = net(images)
    _, predicted = torch.max(outputs.data, 1)  # Choose the best class from the output: The class with the best score
    total += labels.size(0)                    # Increment the total count
    correct += (predicted == labels).sum()     # Increment the correct count

print('Accuracy of the network on the 10K test images: %d %%' % (100 * correct / total))

• 保存训练过的FNN模型以供将来使用

我们将训练好的模型保存为pickle，以便以后加载和使用。

torch.save(net.state_dict(), ‘fnn_model.pkl’)

恭喜。你已经完成了你的第一个前馈神经网络！

• 下一步是什么

保存并关闭文件。开始在控制台运行文件：

python fnn.py

你将会看到如下所示的训练过程：

感谢您的宝贵的阅读，并希望您喜欢这个教程。附上本教程所有代码链接：https://github.com/yhuag/neural-network-lab/blob/master/Feedforward%20Neural%20Network.ipynb

原文链接：

https://towardsdatascience.com/a-simple-starter-guide-to-build-a-neural-network-3c2cf07b8d7c

-END-

专 · 知

人工智能领域主题知识资料查看获取：

同时欢迎各位用户进行专知投稿，详情请点击：

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请加专知小助手微信（Rancho_Fang），加入专知主题人工智能群交流！

点击“阅读原文”，使用专知！