宅哥聊构架 2022
2022-10-25
神经网络由对数据执行操作的层或模块组成。torch.nn命名空间提供了构建神经网络所需的所有模块。PyTorch中的每个模块都是 nn.Module 的子类。神经网络本身也是一个模块，但它由其他模块（层）组成。这种嵌套结构允许轻松构建和管理复杂的架构。
在接下来的部分中，我们将构建一个神经网络来对 FashionMNIST 数据集中的图像进行分类。
import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
复制代码我们希望能够在 GPU 等硬件加速器（如果可用）上训练我们的模型。让我们检查一下 torch.cuda是否可用，否则我们继续使用CPU。
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")
复制代码Using cuda device
复制代码我们通过子类化定义我们的神经网络nn.Module，并在__init__中初始化神经网络层。每个nn.Module子类都在forward方法中实现对输入数据的操作。
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
复制代码我们创建NeuralNetwork的实例，并将其移动到device，并打印其结构。
model = NeuralNetwork().to(device)
print(model)
复制代码NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
)
)
复制代码要使用模型，我们将输入数据传递给它。这将执行模型的forward，以及一些后台操作。但不要直接调用model.forward()！
在输入上调用模型会返回一个二维张量，其中 dim=0 对应于每个类的 10 个原始预测值的每个输出，而 dim=1 对应于每个输出的各个值。我们通过一个nn.Softmax模块的实例来获得预测概率。
X = torch.rand(1, 28, 28, device=device)
logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")
复制代码Predicted class: tensor([7], device='cuda:0')
复制代码让我们详细说明 FashionMNIST 模型中的每个层。为了说明这一点，我们将抽取 3 张大小为 28x28 的图像的小批量样本，看看当我们通过网络向前传播时会发生什么。
input_image = torch.rand(3,28,28)
print(input_image.size())
复制代码torch.Size([3, 28, 28])
复制代码我们初始化nn.Flatten 层以将每个 2D 28x28 图像转换为 784 个像素值的连续数组（保持小批量维度（dim=0））。
flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())
复制代码torch.Size([3, 784])
复制代码线性层使用其权重和偏差对输入应用线性变换。
layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())
复制代码torch.Size([3, 20])
复制代码非线性激活是在模型的输入和输出之间创建复杂映射的原因。它们在线性变换后以引入非线性变换，帮助神经网络学习各种现象。
在这个模型中，我们在线性层之间使用nn.ReLU，但是还有其他激活可以在模型中引入非线性。
print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")
复制代码Before ReLU: tensor([[-2.8178e-01, -1.9056e-01, -4.2242e-01, 8.7314e-01, 1.2661e-01,
-2.3324e-02, -4.4453e-01, -6.5368e-01, 1.0900e-02, -9.2943e-02,
-5.4586e-01, 1.0089e-01, -4.7385e-02, -2.0129e-01, -1.8159e-01,
2.3144e-01, 1.1471e-01, -3.1626e-01, 2.5034e-01, -1.9407e-01],
[ 3.5672e-02, 1.6900e-01, -9.7982e-02, 4.9019e-01, 6.8456e-02,
-2.2985e-02, -4.1181e-01, -2.0627e-01, 6.6514e-02, -2.0231e-01,
-4.0097e-01, 4.0099e-02, 4.0609e-03, 2.6897e-01, -8.6034e-02,
7.1209e-02, 3.4773e-02, -1.3827e-01, 1.3006e-01, -1.8710e-01],
[-2.2436e-01, -9.2731e-02, -2.0311e-01, 8.1353e-01, 2.7119e-01,
-1.2389e-01, -6.8425e-01, -4.3364e-01, 1.6657e-01, 1.0768e-01,
-5.7534e-01, 5.1125e-01, -9.5867e-02, 5.6160e-04, 3.0365e-01,
4.6523e-01, 1.4591e-03, -2.4904e-02, -1.4773e-01, -1.9605e-01]],
grad_fn=<AddmmBackward0>)
After ReLU: tensor([[0.0000e+00, 0.0000e+00, 0.0000e+00, 8.7314e-01, 1.2661e-01, 0.0000e+00,
0.0000e+00, 0.0000e+00, 1.0900e-02, 0.0000e+00, 0.0000e+00, 1.0089e-01,
0.0000e+00, 0.0000e+00, 0.0000e+00, 2.3144e-01, 1.1471e-01, 0.0000e+00,
2.5034e-01, 0.0000e+00],
[3.5672e-02, 1.6900e-01, 0.0000e+00, 4.9019e-01, 6.8456e-02, 0.0000e+00,
0.0000e+00, 0.0000e+00, 6.6514e-02, 0.0000e+00, 0.0000e+00, 4.0099e-02,
4.0609e-03, 2.6897e-01, 0.0000e+00, 7.1209e-02, 3.4773e-02, 0.0000e+00,
1.3006e-01, 0.0000e+00],
[0.0000e+00, 0.0000e+00, 0.0000e+00, 8.1353e-01, 2.7119e-01, 0.0000e+00,
0.0000e+00, 0.0000e+00, 1.6657e-01, 1.0768e-01, 0.0000e+00, 5.1125e-01,
0.0000e+00, 5.6160e-04, 3.0365e-01, 4.6523e-01, 1.4591e-03, 0.0000e+00,
0.0000e+00, 0.0000e+00]], grad_fn=<ReluBackward0>)
复制代码nn.Sequential是一个有序的模块容器。数据按照定义的顺序通过所有模块。您可以使用顺序容器来组合一个快速网络，例如seq_modules.
seq_modules = nn.Sequential(
flatten,
layer1,
nn.ReLU(),
nn.Linear(20, 10)
)
input_image = torch.rand(3,28,28)
logits = seq_modules(input_image)
复制代码神经网络的最后一个线性层返回logits - 原始值的范围为[-infty, infty] - 被传递给 nn.Softmax模块。logits 把值缩放到 [0, 1]区间，表示模型对每个类别的预测概率。dim参数指示值必须总和为 1 的维度。
softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)
复制代码神经网络内的许多层都是参数化的，即在训练期间优化的相关权重和偏差。子类nn.Module化会自动跟踪模型对象中定义的所有字段，并使用模型的parameters()或named_parameters()方法访问所有参数。
在此示例中，我们遍历每个参数，并打印其大小和其值的预览。
print(f"Model structure: {model}\n\n")
for name, param in model.named_parameters():
print(f"Layer: {name} | Size: {param.size()} | Values : {param[:2]} \n")
复制代码Model structure: NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
)
)
Layer: linear_relu_stack.0.weight | Size: torch.Size([512, 784]) | Values : tensor([[-0.0141, -0.0063, 0.0096, ..., -0.0356, -0.0350, 0.0024],
[ 0.0061, -0.0039, 0.0248, ..., -0.0206, -0.0082, 0.0338]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values : tensor([0.0041, 0.0091], device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values : tensor([[-0.0261, -0.0256, -0.0284, ..., 0.0257, 0.0216, -0.0032],
[-0.0419, 0.0007, -0.0021, ..., -0.0327, 0.0298, 0.0193]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values : tensor([0.0280, 0.0200], device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values : tensor([[-2.6175e-02, 1.3856e-03, -8.3709e-05, ..., -7.1290e-03,
3.2877e-02, 1.9994e-02],
[-5.5316e-04, 1.1257e-02, -2.5447e-02, ..., 3.3785e-02,
1.1102e-02, -1.8905e-02]], device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values : tensor([-0.0314, 0.0086], device='cuda:0', gra
