Pytorch 前反馈：在神经网络训练中降低损失

Pytorch专栏主线文章：

今天继续来聊聊PyTorch 之神经网络 (≧▽≦*)o 冲就完事了~

在 PyTorch 界里，构建神经网络的神器就是 torch.nn 包。这个包是大脑的搭建工坊，提供无限可能 ✨

首先，介绍一下自动梯度（autograd），这个之前专门写过文章：刹车与油门：PyTorch Autograd 的赛车之旅；这个强大的工具让定义和训练神经网络变成了小菜一碟。

一个神经网络模型，通过 nn.Module 来定义，里面包含了一些层，然后还有一个 forward(input) 方法，一呼一吸之间就得到了输出。

举个🌰：

咱们以数字图片识别的网络为例，这个网络就像是一个勤奋的快递小哥，它接收包裹（输入），然后一站一站地经过几层处理，最后把结果（输出）送到你手上。

训练一个神经网络，大致的流程是这样的：

先得定义一个神经网络，并且里面要有一些可以训练的参数。
然后，不断地迭代输入，让网络去学习。
网络处理完输入后，计算一下损失（就是输出和目标差多远）。
再把这个损失往回传。
最后，更新一下网络的权重。一般我们会用一个简单的规则：新的权重 = 旧的权重 - 学习率 * 梯度。

接下来，让我们深入点来看代码，talk is cheap：

ini 复制代码

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # 卷积层 '1' 表示输入图片为单通道, '6' 表示输出通道数, '5' 表示卷积核为5*5
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # 全连接层, y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120) # 由卷积层输出的图片维度变换到全连接层的输入
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # 在2x2的窗口上最大池化
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # 如果窗口形状是正方形, 你只能定义一个数字
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        # flatten操作，展平所有维度除了batch维度
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    # 返回总的特征维度
    def num_flat_features(self, x):
        size = x.size()[1:] # 除了批大小的其他维度
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

net = Net()
print(net)

如上，一个前馈网络就诞生了！随便来个 32x32 的输入图片，我们的网络就能得到一个输出。

前文也说过，PyTorch中的 Tensor 就是一个多维数组，可以记录梯度。

在梯度反向传播之前，记得把梯度清零。然后我们调用 loss.backward()，整个网络的参数都会更新。

不过：手动更新权重太麻烦了，PyTorch 的 torch.optim 包给我们提供了各种优化算法，比如 SGD, Adam 等等，只需要一些简单的设置：

ini 复制代码

import torch.optim as optim

# 创建优化器
optimizer = optim.SGD(net.parameters(), lr=0.01)

# 训练过程中的某一次迭代
optimizer.zero_grad()   # 清空梯度缓存
output = net(input)      # 获取网络输出
loss = criterion(output, target) # 计算损失
loss.backward()         # 反向传播
optimizer.step()        # 更新参数

来看完整流程：包括定义网络、准备数据集、训练网络和评估性能:

python 复制代码

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 定义神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # 注意这里的维度，MNIST数据集图片大小为28x28，经过两次卷积和池化后变为4x4
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = F.max_pool2d(F.relu(self.conv1(x)), 2)
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x
    
    def num_flat_features(self, x):
        size = x.size()[1:]  # 除了批大小的其他维度
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

net = Net()

# 数据变换
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

# 下载并加载数据集
train_dataset = datasets.MNIST('./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST('./data', train=False, transform=transform)

train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=1000, shuffle=False)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.9)

# 训练神经网络
for epoch in range(1, 2):  # 我们只跑一个epoch进行演示
    net.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = net(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 300 == 0:
            print(f'Train Epoch: {epoch} [{batch_idx * len(data)}/{len(train_loader.dataset)} '
                  f'({100. * batch_idx / len(train_loader):.0f}%)]\tLoss: {loss.item():.6f}')

# 评估网络性能
net.eval()
test_loss = 0
correct = 0
with torch.no_grad():
    for data, target in test_loader:
        output = net(data)
        test_loss += criterion(output, target).item()  # 将一批的损失加起来
        pred = output.data.max(1, keepdim=True)[1]  # 获取最大对数概率的索引
        correct += pred.eq(target.data.view_as(pred)).sum()

test_loss /= len(test_loader.dataset)
print(f'\nTest set: Average loss: {test_loss:.4f}, '
      f'Accuracy: {correct}/{len(test_loader.dataset)} '
      f'({100. * correct / len(test_loader.dataset):.0f}%)\n')

安装好相应包：

本地运行结果：

可以看到：网络在训练集上的损失在逐渐降低，这表明网络正在从数据中学习。在测试集上，可以看到网络的准确率；

由于这里只运行了一个 epoch，准确率可能不够高，但足以展示神经网络基本训练过程。在实际应用中，我们会运行更多的 epoch 并调整不同的参数来达到更好的性能。

就这样！神经网络学习就已简单实现，就像喝水一样~

OK，以上就是本次分享，欢迎点赞👍、收藏⭐、评论💬

🔊说到这里，我们不难发现：成长与发展是主旋律！！自荐我和机械工业出版社联合出版的《程序员成长手记》一书：全书分为3大模块、8个章节：从入门程序员到程序员自驱成长，回归纸质阅读，相信能给你一个更全局的程序员视野，提供成长帮助。京东搜"程序员成长手记"

🤠关注掘金安东尼，陪你一起度过漫长编程岁月