PyTorch神经网络

PyTorch神经网络

神经网络可以通过torch.nn包构建
pytorch神经网络上基于自动梯度（autograd）来定义模型：
一个nn.Module构建神经网络层
一个方法forward(input)它会返回输出(output)

数字图片识别网络：

典型的神经网络训练过程包括以下几点：

定义一个包含可训练参数的神经网络

迭代整个输入

通过神经网络处理输入

计算损失loss

反向传播梯度到神经网络的参数

更新网络的参数，典型的用一个简单方法：*weight = weight - learning_rate gradient

代码实现

定义神经网络:

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

class Net(nn.Module):

def __init__(self):
super(Net,self).__init__()
# 1 input image channel, 6 output channels, 5x5 square convolution
self.conv1=nn.Conv2d(1,6,5)
self.conv2=nn.Conv2d(6, 16, 5)
# an affine operation: y = Wx + b
self.fc1=nn.Linear(16*5*5, 120)
self.fc2=nn.Linear(120,84)
self.fc3=nn.Linear(84, 10)

def forward(self,x):
# Max pooling over a (2, 2) window
x=F.max_pool2d(F.relu(self.conv1(x)),(2,2))
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:]
num_features=1
for s in size:
num_features *=s
return num_features

net=Net()
print(net)

迭代输入、通过神经网络处理输入

#前向传播：
input=torch.randn(1,1,32,32)
out=net(input)
print(out)
#反向传播：
#将网络参数重置为0
net.zero_grad()
out.backward(torch.randn(1,10))

计算损失loss

output=net(input)
target=torch.randn(10)
target=target.view(1,-1)
criterion=nn.MSELoss()

loss=criterion(output,target)
print(loss)

反向传播梯度到神经网络参数

net.zero_grad()
#conv1之前的参数
print(net.conv1.bias.grad)
#反向传播后参数
loss.backward()
print(net.conv1.bias.grad)

更新网络的参数
使用optimizer优化器，可以使用不同的更新规则，类似于SGD，Nesterov-SGD, Adam,RMSProp, 等。

learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)

#使用优化器optimizer实现更新
import torch.optim as optim

optimizer=optim.SGD(net.parameters(),lr=0.01)

optimizer.zero_grad()
output=net(input)
loss=criterion(output,target)
loss.backward()
optimizer.step()