PyTorch中有一个torch.nn
提供了所有你在组建神经网络过程中需要的模块。每个神经网络模型都是PyTorch的nn.Module
的子类,神经网络是由层或者模型组成的,也就是说一个神经网络是其他层或者网络组合起来的。因为神经网络的这种层级式结构,也让我们很容易就能建立好复杂的网络模型。
import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
首先就是导包,这里没什么可解释的了。
使用GPU加速训练
如果我们有GPU,我们可以使用GPU加速模型训练。可以使用torch.cuda
检查硬件是否有GPU,如果有则使用GPU,没有则继续使用CPU训练。
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")
如果有GPU,cuda可用,会显示:
Using cuda device
如果你没有GPU那就用CPU也没什么关系。
创建网络
为nn.Module
创建子类,定义我们的神经网络。
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
-
__init__
:在这里创建网络结构。-
self.flatten
我们接受的输入是一个图片的张量,这里要将其展开成向量。input_image = torch.rand(64,28,28) flatten = nn.Flatten() flat_image = flatten(input_image) print(flat_image.size())
假设我们输入一个mini-batch为64的28*28的灰度图,我们先将其展开成向量,现在我们就会获得一个mini batch的长度为784的向量。
torch.Size([64, 784])
-
之后就是使用
nn.Sequential
创建网络结构。我们可以看到是三个线性层夹着两个ReLU激活函数。nn.Sequential
可以看做是模型层的容器,我们在其中按顺序定义模型的每一层。-
nn.Linear
就是最简单的线性层,输入向量,将其和权重以及bias进行计算之后获得输出,计算为$H= WX+b$。layer1 = nn.Linear(in_features=28*28, out_features=20) hidden1 = layer1(flat_image) print(hidden1.size())
这一步我们是在第一个隐藏层的计算中将特征压缩到20维,所以输出结果为:
torch.Size([64, 20])
-
nn.ReLU
就是激活层,将线性运算转化为非线性,可以让神经网络学到更广泛的知识。在这个模型里我们激活函数用的就是ReLU,当然还有其他的激活函数,常见可以看这里:常用激活函数 - 掘金 (juejin.cn)
print(f"Before ReLU: {hidden1}\n\n") hidden1 = nn.ReLU()(hidden1) print(f"After ReLU: {hidden1}")
上边这段代码就是输出一下使用激活函数前后的结果。因为batch size 设置的比较大, 我这就不展示结果了。
-
-
-
forward
:对输入数据的操作都是在这里实现的。-
先使用
self.flatten
对输入x进行展开。 -
结果使用logits存储,最后返回结果。
-
上一步我们已经创建好网络,我们把模型丢到设备上进行计算,并输出其网络结构。
model = NeuralNetwork().to(device)
print(model)
不出意外的话我们可以看到如下的网络结构:
NeuralNetwork( <br> $\quad$(flatten): Flatten(start_dim=1, end_dim=-1) <br> $\quad$(linear_relu_stack): Sequential( <br> $\quad\quad$ (0): Linear(in_features=784, out_features=512, bias=True) <br> $\quad\quad$ (1): ReLU() <br> $\quad\quad$ (2): Linear(in_features=512, out_features=512, bias=True) <br> $\quad\quad$ (3): ReLU() <br> $\quad\quad$ (4): Linear(in_features=512, out_features=10, bias=True) <br> $\quad\quad$) <br> $\quad$)
模型建好了,我们当然是要让模型运行了。所以我们要把数据传给模型,Pytorch通过一些背后的操作,会直接调用模型的forward
方法,并不需要我们使用model.forward()
手动调用。想知道背后原理的可以看源码:pytorch/module.py at 270111b7b611d174967ed204776985cefca9c144 · pytorch/pytorch (github.com)
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}")
因为没数据集,所以我们在这里直接rand一个X
,不是实际图,就是随机生成一个矩阵。
结果logits
是用模型计算获得的。获得的结果应该是在$[-\infty,+\infty]$之间的。
因为是个图像分类模型,分类的最后肯定是softmax计算。nn.Softmax
会将模型出来的结果做一个scale,将其限制在$[0,1]$之间,用于表示模型分类的结果并将其存在pred_probab
里,这个softmax出来的向量结果加起来是等于1的。
这里我们的模型是 未训练的 , 我们直接拿着做预测了,预测结果存在y_pred
中,最后print输出一下预测的结果是什么,这里的结果很大概率是在胡说八道的,因为 本文的重点 就是前边那一段创建网络的部分。之后我们会讲如何训练模型。
模型参数
我们神经网络的很多层都是被参数化的,比如层与层之间会有weights和bias,训练过程中会对这些参数进行优化。nn.Module
会对其自动追踪,你可以使用parameters()
或者 named_parameters()
进行访问。
for name, param in model.named_parameters():
print(f"Layer: {name} | Size: {param.size()} | Values : {param[:2]} \n")
标签:nn,模型,torch,28,神经网络,ReLU,PyTorch,quad,搭建
From: https://blog.51cto.com/Lolitann/5949989