PyTorch学习笔记|单层神经网络

单层回归网络

其实神经网络并不复杂，我们经过前面的铺垫，如果只看单层的网络（输入层不算），其实就是下面这张图片，好像其实也就是一个线性回归的方程，当然神经网络只所以好用，是因为有多层网络和非线性的激活函数，这个我们后面再来说。

那我们先用tensor来实现一下神经网络的正向传播。

go 复制代码

import torch

X = torch.tensor([[1,0,0],[1,1,0],[1,0,1],[1,1,1]], dtype = torch.float32)
w = torch.tensor([-0.2, 0.15, 0.15])
z = torch.tensor([-0.2, -0.05, -0.05, 0.1])

def Linear(X, w):
    zhat = torch.mv(X, w)
    return zhat

zhat = Linear(X,w)
print(zhat)

#tensor([-0.2000, -0.0500, -0.0500,  0.1000])

x0	x1	x2	z
1	0	0	-0.2
1	1	0	-0.05
1	0	1	-0.05
1	1	1	0.1

nn.Linear实现单层回归网络

当然，我们在pytorch中有专门的类用来创建单层回归网络，我们来看一下代码。

go 复制代码

X = torch.tensor([[0,0],[1,0],[0,1],[1,1]], dtype = torch.float32)
output = torch.nn.Linear(2,1)
zhat = output(X)
print(zhat)

#result
tensor([[ 0.4556],
        [-0.2170],
        [ 1.0687],
        [ 0.3961]], grad_fn=<AddmmBackward0>)

通过上面代码，我们需要注意几个点：一是我们看下LInear中的2和1是什么含义，2是in_features，也就是输入数据的特征数量（两个特征，也就是X数据的2列），1是out_features，也就是输出是一个神经元。二是有没有发现输入的X和我们之前写的少了全是1的一列，因为LInear会自动帮我们生成b偏置数据。三是我们没有定义w和b，这些是自动生成的随机数，我们可以打印出来看看。

go 复制代码

X = torch.tensor([[0,0],[1,0],[0,1],[1,1]], dtype = torch.float32)
output = torch.nn.Linear(2,1)
zhat = output(X)
print(output.weight, output.bias)
print(output.weight.shape, output.bias.shape)
print(zhat.shape)

# result
Parameter containing:
tensor([[0.1488, 0.0206]], requires_grad=True) Parameter containing:
tensor([0.4631], requires_grad=True)
torch.Size([1, 2]) torch.Size([1])
torch.Size([4, 1])

当然我们也可以不要偏置。

go 复制代码

output = torch.nn.Linear(2,1,bias=False)

进一步讨论nn.Linear

看完上面的内容，我还是想要了解w和b生成后是怎么计算的，为什么我会有这样的疑问了，因为各种教程在讲解这部分内容写矩阵表达式的时候各不同，用wX，有w^TX，还有返回来的Xw和X w^T，当然这些都对，只要我们设置好数据的形状格式，那我就想知道pytorch到底是怎么计算的，那我们就来研究下。

我们还是先看上面案例的返回结果，w的形状是（1,2），其实是（out_features，in_features），我们的X形状是（4,2），所以我初步想的是X*w^T。然后bias是[1]，所以是在加上bias，然后利用广播运算，这样就能得到最后结果。

go 复制代码

# result
Parameter containing:
tensor([[0.1488, 0.0206]], requires_grad=True) Parameter containing:
tensor([0.4631], requires_grad=True)
torch.Size([1, 2]) torch.Size([1])
torch.Size([4, 1]

我们进一步看看源码来验证一下我的想法，确实是这样的。

go 复制代码

self.in_features = in_features
        self.out_features = out_features
        self.weight = Parameter(
            torch.empty((out_features, in_features), **factory_kwargs)
        )
        if bias:
            self.bias = Parameter(torch.empty(out_features, **factory_kwargs))
        else:
            self.register_parameter("bias", None)
        self.reset_parameters()



def linear(input: Tensor, weight: Tensor, bias: Optional[Tensor] = None) -> Tensor:
    # input:  [batch, in_features]
    # weight: [out_features, in_features]
    # bias:   [out_features]

    自动对 weight 做转置 .T，然后矩阵乘法
    output = input @ weight.T

    if bias is not None:
        output += bias #广播运算
    return output

我们把输出改成三个神经元，我们再来加深一下印象。

go 复制代码

X = torch.tensor([[0,0],[1,0],[0,1],[1,1]], dtype = torch.float32)
output = torch.nn.Linear(2,3)
zhat = output(X)
print(zhat)
print(zhat.shape)
print(output.weight, output.bias)
print(output.weight.shape, output.bias.shape)

# result
tensor([[-0.6868,  0.7037,  0.2460],
        [ 0.0118,  1.1411,  0.8687],
        [-0.1429,  0.2609,  0.0204],
        [ 0.5557,  0.6983,  0.6431]], grad_fn=<AddmmBackward0>)
torch.Size([4, 3])
Parameter containing:
tensor([[ 0.6986,  0.5439],
        [ 0.4374, -0.4428],
        [ 0.6227, -0.2256]], requires_grad=True) Parameter containing:
tensor([-0.6868,  0.7037,  0.2460], requires_grad=True)
torch.Size([3, 2]) torch.Size([3])

二分类：逻辑回归

当然，现实中我们除了要做回归外，还要做一些分类任务，那就有一个大名鼎鼎的函数sigmoid，这样规定大于0.5时，预测结果为1类，小于0.5时，预测结果为0类，则可以顺利将回归算法转化为分类算法。

go 复制代码

X = torch.tensor([[0,0],[1,0],[0,1],[1,1]], dtype = torch.float32)
output = torch.nn.Linear(2,1)
zhat = output(X)
sigma = torch.sigmoid(zhat)
result  = torch.where(sigma >= 0.5, torch.tensor(1.0), torch.tensor(0.0))
print(sigma)
print(result)

#result
tensor([[0.6020],
        [0.4350],
        [0.5257],
        [0.3607]], grad_fn=<SigmoidBackward0>)
tensor([[1.],
        [0.],
        [1.],
        [0.]])

还有其他的函数，我们也来一一介绍一下。

阶跃函数sign

ReLU函数

tanh函数

。

go 复制代码

torch.sign(zhat)
torch.relu(zhat)
torch.tanh(zhat)

需要注意的是，还可以用nn中的functional来调用，有的会报提醒，说是方法弃用了。

go 复制代码

import torch
import torch.nn.functional as F

X = torch.tensor([[0,0],[1,0],[0,1],[1,1]], dtype = torch.float32)
output = torch.nn.Linear(2,1)
zhat = output(X)
print(F.sigmoid(zhat))

多分类：Softmax回归

对于多分类来说，我们就要用到Softmax回归。

需要注意的是，由于softmax的分子和分母中都带有为底的指数函数，所以在计算中非常容易出现极大的数值，用torch来计算就不会出现这样的问题，帮我们处理好了。

go 复制代码

X = torch.tensor([[0,0],[1,0],[0,1],[1,1]], dtype = torch.float32)
output = torch.nn.Linear(2,3)
zhat = output(X)
sigma = torch.softmax(zhat,dim=1) #一定要加dim参数，此时需要进行加和的维度是1
print(sigma.shape,sigma)

#result
torch.Size([4, 3]) tensor([[0.3028, 0.2799, 0.4173],
        [0.2970, 0.1531, 0.5500],
        [0.3278, 0.2946, 0.3776],
        [0.3279, 0.1644, 0.5077]], grad_fn=<SoftmaxBackward0>)