DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ

神经网络可以使用 torch.nn包构建。

现在你已经对autograd有所了解，nn依赖 autograd 定义模型并对其求微分。nn.Module 包括层，和一个返回 output 的方法 - forward(input)。

例如，看看这个对数字图片进行分类的网络：

convnet

这是一个简单的前馈网络。它接受输入，通过一层接一层，最后输出。

一个典型的神经网络训练过程如下：

定义神经网络，并包括一些可学习的参数（或权重）
通过输入数据集迭代
通过网络处理输入
计算损失（输出和真值的差距）
将梯度反向传播至神经网络的参数
更新神经网络权重，通常使用简单的更新规则：weight = weight - learning_rate * gradient。

定义网络

让我们定义这个网络：

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个输入图片通道，6个输出通道，5x5平方卷积核
self.conv1 = nn.Conv2d(1, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
# 一个仿射变换操作：y = Wx + b
self.fc1 = nn.Linear(16 * 5 * 5, 120) # 5*5是特征图维度
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
# 最大池化：（2，2）窗口
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# 如果窗口大小是正方形，可以使用单个数字
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
x = torch.flatten(x, 1) # 将除了batch维度的所有维度展平
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
print(net)

输出：

Net(
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear(in_features=400, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=84, bias=True)
(fc3): Linear(in_features=84, out_features=10, bias=True)
)

你仅仅需要定义 forward 函数，backward 函数（梯度计算）会自动使用 autograd 定义。你可以在 forward 函数上使用任何Tensor操作。

net.parameters() 返回模型的可学习参数

params = list(net.parameters())
print(len(params))
print(param[0].size()) # conv1的权重参数

输出：

10
torch.size([6, 1, 5, 5])

让我们试试一个随机的32x32的输入。注意：该网络（LeNet）的输入大小是32x32。为在MNIST上使用该网络，请将图片缩放至32x32

input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

输出：

tensor([[-0.1380, -0.0528,  0.0736,  0.1018,  0.0066, -0.1454,  0.0366, -0.0692,
0.0182,  0.0003]], grad_fn=)

使所有参数的梯度缓存归零，并反向传播一个随机梯度：

net.zero_grad()
out.backward(torch.randn(1, 10))

注意：torch.nn仅支持mini-batches。整个 torch.nn包仅支持样本的mini-batch输入，而不是单个sample。例如，nn.Conv2d将接受一个4DTensor：nSamples x nChannels x Height x width。如果是单个样本，利用 input.unsqueeze(0) 添加一个假的batch维度即可。

在继续之前，让我们回顾一下所有你迄今为止看到的所有类。

Recap：

torch.Tensor - 一个multi-dimensional array，支持autograd操作，如 backward()。还持有关于tensor的梯度。
nn.Module - 神经网络模型。封装参数的一个便捷的途径，并且可将它们移动到GPU，输出、加载等。
nn.Parameter - 当tensor作为属性赋给 Module时，自动注册为参数。
autograd.Function - autograd的前向和后向定义的具体实现。每一个 Tensor 操作创建最少一个 Function 节点，并连接到创建 Tensor 和对其历史进行编码的函数。

以上，我们介绍了：

Defining a neural network
Processing inputs and calling backward

还剩：

计算损失
更新网络权重

损失函数

损失函数接受input的（output，target）对，计算评估output距离target的值。

在nn包中有多种不同的loss function，一个简单的损失函数是：nn.MSELoss，它计算input和target的均方误差。

例如：

output = net(input)
target = torch.randn(10) # 一个假的target
target = target.view(1, -1) # 使其与output保持形状一致
criterion = nn.MSELoss()

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

输出：

tensor(1.3339, grad_fn=)

现在，如果你在后向传播中跟踪 loss，使用它的 .grad_fn 属性，你将会看到类似下面的计算图：

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> flatten -> linear -> relu -> linear - relu -> linear
-> MSELoss
-> loss

因此，当我们调用 loss.backward()，整个图将被求有关神经网络参数的导数，并且图中所有 requires_grad=True的Tensors将持有梯度Tensor - .grad。

为了说明，让我们查看几步backward：

print(loss.grad_fn) # MSELoss
print(loss.grad_fn.next_functions[0][0]) # Linear
print(loss.grad_fn.next_functions[0][0].next_functions[0][0]) # Relu

输出：

Backprop

为了使误差反向传播，我们需要做的仅仅是 loss.backward()。但是你需要清楚现有的梯度，否则梯度将会累积到已有的梯度之中。

现在调用 loss.backward()，并查看conv1的偏置在反向传播前后的梯度。

net.zero_grad() # 将所有参数的梯度缓存设置为0

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

输出：

conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0061, -0.0024, -0.0051, -0.0073,  0.0014,  0.0074])

现在，我们已经知道了如何使用损失函数。

Read Later：

神经网络包中包含多种模型和损失函数，用以组成深度神经网络的构建块，完整的文档列表在这。

还剩最后一部分：

更新网络的权重

更新权重

在实践中最简单的更新方法是随机梯度下降（SGD）

weight = weight - learning * gradient

我们可以使用简单的Python代码实现SGD：

learning_rate = 0.1
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)

但是，当你使用神经网络时，你想使用多种不同的更新规则，如SGD、Nesterov-SGD、Adam、RMSProp，etc。为了实现这个，我们构建了一个小型的包：torch.optim，可以实现以上所有方法。使用起来也非常简单。

import torch.optim as optim

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

# 在训练循环中：
optimizer.zero_grad() # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step() # Does the update

DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ | NEURAL NETWORKS

阅读选项

定义网络

损失函数

Backprop

更新权重