pytorch搭建模型的五大層次級(jí)別解讀(由淺入深)
前言
神經(jīng)網(wǎng)絡(luò)的搭建本身是一個(gè)較為復(fù)雜的過(guò)程，但是現(xiàn)在有非常多的、非常人性化的開(kāi)源框架提供給我們使用，但是即便如此，網(wǎng)絡(luò)的搭建也是有多種方法可以選擇，本文以pytorch為例子加以說(shuō)明。
神經(jīng)網(wǎng)絡(luò)的基本流程可以分為兩大步驟，即
網(wǎng)絡(luò)結(jié)構(gòu)搭建+參數(shù)的梯度更新（后者又包括 “前向傳播+計(jì)算參數(shù)的梯度+梯度更新”）
這其實(shí)也是后面pytorch搭建神經(jīng)網(wǎng)絡(luò)的一個(gè)基本思路
1 、原始搭建——使用numpy實(shí)現(xiàn)
# -*- coding: utf-8 -*-
import numpy as np
# N是訓(xùn)練的batch size; D_in 是input輸入數(shù)據(jù)的維度;
# H是隱藏層的節(jié)點(diǎn)數(shù); D_out 輸出的維度，即輸出節(jié)點(diǎn)數(shù).
N, D_in, H, D_out = 64, 1000, 100, 10
# 創(chuàng)建輸入、輸出數(shù)據(jù)
x = np.random.randn(N, D_in) #（64，1000）
y = np.random.randn(N, D_out) #（64，10）可以看成是一個(gè)10分類問(wèn)題
# 權(quán)值初始化
w1 = np.random.randn(D_in, H) #(1000,100),即輸入層到隱藏層的權(quán)重
w2 = np.random.randn(H, D_out) #(100,10),即隱藏層到輸出層的權(quán)重
learning_rate = 1e-6 #學(xué)習(xí)率
for t in range(500):
# 第一步：數(shù)據(jù)的前向傳播，計(jì)算預(yù)測(cè)值p_pred
h = x.dot(w1)
h_relu = np.maximum(h, 0)
y_pred = h_relu.dot(w2)
# 第二步：計(jì)算計(jì)算預(yù)測(cè)值p_pred與真實(shí)值的誤差
loss = np.square(y_pred - y).sum()
print(t, loss)
# 第三步：反向傳播誤差，更新兩個(gè)權(quán)值矩陣
grad_y_pred = 2.0 * (y_pred - y) #注意：這里的導(dǎo)函數(shù)也是自己求的，因?yàn)檫@個(gè)地方是很簡(jiǎn)答的函數(shù)表達(dá)式
grad_w2 = h_relu.T.dot(grad_y_pred)
grad_h_relu = grad_y_pred.dot(w2.T)
grad_h = grad_h_relu.copy()
grad_h[h < 0] = 0
grad_w1 = x.T.dot(grad_h)
# 更新參數(shù)
w1 -= learning_rate * grad_w1
w2 -= learning_rate * grad_w2缺點(diǎn)：
（1）沒(méi)辦法搭建復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)（網(wǎng)絡(luò)的結(jié)構(gòu)搭建太底層）；
（2）梯度需要自己求導(dǎo)函數(shù)，如果函數(shù)太復(fù)雜，網(wǎng)絡(luò)太深就很難求了；
（3）沒(méi)有辦法使用GPU加速
2、使用torch的Tensor原始實(shí)現(xiàn)
import torch
dtype = torch.float
device = torch.device("cpu")
# device = torch.device("cuda:0") # 這里使用CPU,但實(shí)際上可以使用GPU
# N是訓(xùn)練的batch size; D_in 是input輸入數(shù)據(jù)的維度;
# H是隱藏層的節(jié)點(diǎn)數(shù); D_out 輸出的維度，即輸出節(jié)點(diǎn)數(shù).
N, D_in, H, D_out = 64, 1000, 100, 10
# 創(chuàng)建輸入、輸出數(shù)據(jù)
x = torch.randn(N, D_in, device=device, dtype=dtype) #（64，1000）
y = torch.randn(N, D_out, device=device, dtype=dtype) #（64，10）可以看成是一個(gè)10分類問(wèn)題
# 權(quán)值初始化
w1 = torch.randn(D_in, H, device=device, dtype=dtype) #(1000,100),即輸入層到隱藏層的權(quán)重
w2 = torch.randn(H, D_out, device=device, dtype=dtype)#(100,10),即隱藏層到輸出層的權(quán)重
learning_rate = 1e-6
for t in range(500):
# 第一步：數(shù)據(jù)的前向傳播，計(jì)算預(yù)測(cè)值p_pred
h = x.mm(w1)
h_relu = h.clamp(min=0)
y_pred = h_relu.mm(w2)
# 第二步：計(jì)算計(jì)算預(yù)測(cè)值p_pred與真實(shí)值的誤差
loss = (y_pred - y).pow(2).sum().item()
print(t, loss)
# 第三步：反向傳播誤差，更新兩個(gè)權(quán)值矩陣
grad_y_pred = 2.0 * (y_pred - y) #注意：這里的導(dǎo)函數(shù)也是自己求的，因?yàn)檫@個(gè)地方是很簡(jiǎn)答的函數(shù)表達(dá)式
grad_w2 = h_relu.t().mm(grad_y_pred)
grad_h_relu = grad_y_pred.mm(w2.t())
grad_h = grad_h_relu.clone()
grad_h[h < 0] = 0
grad_w1 = x.t().mm(grad_h)
# 參數(shù)更新（梯度下降法）
w1 -= learning_rate * grad_w1
w2 -= learning_rate * grad_w2缺點(diǎn)：
（1）沒(méi)辦法搭建復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)（網(wǎng)絡(luò)的結(jié)構(gòu)搭建太底層）；
（2）梯度需要自己求導(dǎo)函數(shù)，如果函數(shù)太復(fù)雜，網(wǎng)絡(luò)太深就很難求了；
解決了GPU計(jì)算問(wèn)題、少了一個(gè)缺點(diǎn)。
3、torch的自動(dòng)求導(dǎo)autograd
import torch
dtype = torch.float
device = torch.device("cpu")
# device = torch.device("cuda:0") # 這里使用CPU,但實(shí)際上可以使用GPU
# N是訓(xùn)練的batch size; D_in 是input輸入數(shù)據(jù)的維度;
# H是隱藏層的節(jié)點(diǎn)數(shù); D_out 輸出的維度，即輸出節(jié)點(diǎn)數(shù).
N, D_in, H, D_out = 64, 1000, 100, 10
# 創(chuàng)建輸入、輸出數(shù)據(jù)
x = torch.randn(N, D_in, device=device, dtype=dtype) #（64，1000）
y = torch.randn(N, D_out, device=device, dtype=dtype) #（64，10）可以看成是一個(gè)10分類問(wèn)題
# 權(quán)值初始化
w1 = torch.randn(D_in, H, device=device, dtype=dtype) #(1000,100),即輸入層到隱藏層的權(quán)重
w2 = torch.randn(H, D_out, device=device, dtype=dtype)#(100,10),即隱藏層到輸出層的權(quán)重
learning_rate = 1e-6
for t in range(500):
# 第一步：數(shù)據(jù)的前向傳播，計(jì)算預(yù)測(cè)值p_pred
y_pred = x.mm(w1).clamp(min=0).mm(w2)
# 第二步：計(jì)算計(jì)算預(yù)測(cè)值p_pred與真實(shí)值的誤差
loss = (y_pred - y).pow(2).sum()
print(t, loss.item())
# 第三步：反向傳播誤差，更新兩個(gè)權(quán)值矩陣，這就是關(guān)鍵了，不再需要自己寫出導(dǎo)函數(shù)，求導(dǎo)是自動(dòng)完成的
loss.backward() #一步到位、自動(dòng)求導(dǎo)
# 參數(shù)梯度更新
with torch.no_grad():
w1 -= learning_rate * w1.grad #grad屬性獲取梯度，其實(shí)這個(gè)地方就是相當(dāng)于是梯度下降法，優(yōu)化的過(guò)程可以自己定義，因?yàn)檫@里參數(shù)很少
w2 -= learning_rate * w2.grad
求完一次之后將梯度歸零
w1.grad.zero_()
w2.grad.zero_()缺點(diǎn)：
（1）沒(méi)辦法搭建復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)（網(wǎng)絡(luò)的結(jié)構(gòu)搭建太底層）；
解決了GPU計(jì)算問(wèn)題、而且梯度導(dǎo)數(shù)也不用自己求了，少了兩個(gè)缺點(diǎn)。那現(xiàn)在就只剩一個(gè)問(wèn)題沒(méi)解決了，那就是怎么快速搭建更復(fù)雜、更深層的網(wǎng)絡(luò)結(jié)構(gòu)。
（2）上面更新參數(shù)w1和w2的過(guò)程其實(shí)就是一個(gè)優(yōu)化過(guò)程，這里是用的就是簡(jiǎn)單的頭下降法，這樣做有一個(gè)很大的缺點(diǎn)，那就是這里只有兩個(gè)參數(shù)需要優(yōu)化，所以可以自己寫，但是現(xiàn)在的網(wǎng)絡(luò)有很多的參數(shù)需要優(yōu)化，都自己寫的話實(shí)在是太麻煩了。于是就有了后面的方法，參見(jiàn)下面
4、使用pytorch.nn模塊
可以將它理解為一個(gè)較高層次的API封裝
# -*- coding: utf-8 -*-
import torch
# N是訓(xùn)練的batch size; D_in 是input輸入數(shù)據(jù)的維度;
# H是隱藏層的節(jié)點(diǎn)數(shù); D_out 輸出的維度，即輸出節(jié)點(diǎn)數(shù).
N, D_in, H, D_out = 64, 1000, 100, 10
# 創(chuàng)建輸入、輸出數(shù)據(jù)
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)
#模型搭建：這是與前面關(guān)鍵的區(qū)別，不再需要自己手動(dòng)進(jìn)行矩陣相乘，而是這種一步到位的方法
model = torch.nn.Sequential(
torch.nn.Linear(D_in, H),
torch.nn.ReLU(),
torch.nn.Linear(H, D_out),
)
#定義損失函數(shù)
loss_fn = torch.nn.MSELoss(reduction='sum')
learning_rate = 1e-4
for t in range(500):
# 第一步：數(shù)據(jù)的前向傳播，計(jì)算預(yù)測(cè)值p_pred
y_pred = model(x)
# 第二步：計(jì)算計(jì)算預(yù)測(cè)值p_pred與真實(shí)值的誤差
loss = loss_fn(y_pred, y)
print(t, loss.item())
# 在反向傳播之前，將模型的梯度歸零
model.zero_grad()
# 第三步：反向傳播誤差，更新兩個(gè)權(quán)值矩陣，這就是關(guān)鍵了，不再需要自己寫出導(dǎo)函數(shù)，求導(dǎo)是自動(dòng)完成的
loss.backward()
#更新參數(shù)的梯度
with torch.no_grad():
for param in model.parameters():
param -= learning_rate * param.grad #這其實(shí)就是梯度下降法，優(yōu)化參數(shù)，通過(guò)循環(huán)自動(dòng)實(shí)現(xiàn)，不要再一個(gè)一個(gè)寫了，相較于上面的參數(shù)更新方法簡(jiǎn)單了很多。但是還不夠總結(jié)：
到這一步，基本解決了前面的三個(gè)致命問(wèn)題，即解決了GPU計(jì)算問(wèn)題、而且梯度導(dǎo)數(shù)也不用自己求了，并且可以搭建復(fù)雜的網(wǎng)絡(luò)，不需要自己進(jìn)行一個(gè)一個(gè)的矩陣相乘，少了三個(gè)缺點(diǎn)。
使用這里的層次，一些簡(jiǎn)單的網(wǎng)絡(luò)類型就沒(méi)什么問(wèn)題了，當(dāng)然我們還可以進(jìn)一步優(yōu)化，因?yàn)樯厦嫖覀儗?duì)loss進(jìn)行自動(dòng)求導(dǎo)之后，還需要通過(guò)一個(gè)循環(huán)來(lái)對(duì)模型的各個(gè)參數(shù)逐個(gè)進(jìn)行參數(shù)的更新，所以下面提供了兩個(gè)層次方面的優(yōu)化措施：
5、使用torch.optim
來(lái)進(jìn)一步簡(jiǎn)化訓(xùn)練過(guò)程——進(jìn)一步省略手動(dòng)的參數(shù)更新，更加一步到位
# -*- coding: utf-8 -*-
import torch
# N是訓(xùn)練的batch size; D_in 是input輸入數(shù)據(jù)的維度;
# H是隱藏層的節(jié)點(diǎn)數(shù); D_out 輸出的維度，即輸出節(jié)點(diǎn)數(shù).
N, D_in, H, D_out = 64, 1000, 100, 10
# 創(chuàng)建輸入、輸出數(shù)據(jù)
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)
#模型搭建：這是與前面關(guān)鍵的區(qū)別，不再需要自己手動(dòng)進(jìn)行矩陣相乘，而是這種一步到位的方法
model = torch.nn.Sequential(
torch.nn.Linear(D_in, H),
torch.nn.ReLU(),
torch.nn.Linear(H, D_out),
)
#定義損失函數(shù)
loss_fn = torch.nn.MSELoss(reduction='sum')
learning_rate = 1e-4
#構(gòu)造一個(gè)optimizer對(duì)象
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
for t in range(500):
# 第一步：數(shù)據(jù)的前向傳播，計(jì)算預(yù)測(cè)值p_pred
y_pred = model(x)
# 第二步：計(jì)算計(jì)算預(yù)測(cè)值p_pred與真實(shí)值的誤差
loss = loss_fn(y_pred, y)
print(t, loss.item())
# 在反向傳播之前，將模型的梯度歸零，這
optimizer.zero_grad()
# 第三步：反向傳播誤差
loss.backward()
# 直接通過(guò)梯度一步到位，更新完整個(gè)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，一句話優(yōu)化所有的參數(shù)，是不是很牛逼
optimizer.step()這是不是更加簡(jiǎn)單了？
如果是使用過(guò)keras這樣高層次的API，所以到這里應(yīng)該發(fā)現(xiàn)，他們實(shí)在是太像了，現(xiàn)在來(lái)總結(jié)一下使用pytorch搭建神經(jīng)網(wǎng)路的一般步驟：
（1）第一步：搭建網(wǎng)絡(luò)的結(jié)構(gòu)，得到一個(gè)model。網(wǎng)絡(luò)的結(jié)構(gòu)可以是上面這種最簡(jiǎn)單的序貫?zāi)Ｐ?，?dāng)然還可以是多輸入-單輸出模型、單輸入-多輸出模型、多輸入-多輸出模型、跨層連接的模型等，我們好可以自己定義模型，后面再講。
（2）第二步：定義損失函數(shù)。
loss?= torch.nn.MSELoss(reduction='sum')
（3）第二步：定義優(yōu)化方式。構(gòu)造一個(gè)optimizer對(duì)象
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
上面是模型以及模型相關(guān)的配置三步走，下面是訓(xùn)練的五步走。
（1）第一步：計(jì)算y_pred;
（2）第二步：根據(jù)損失函數(shù)計(jì)算loss
（3）第三步：梯度歸零，
optimizer.zero_grad()
（4）第四步：反向傳播誤差
loss.backward()
（5）更新參數(shù)，使用step（）
optimizer.step()
個(gè)人觀點(diǎn)：
深度學(xué)習(xí)框架最大的地方在于兩個(gè)點(diǎn)，正是這兩個(gè)點(diǎn)大大簡(jiǎn)化了我們自己的實(shí)現(xiàn)思路，當(dāng)然這兩個(gè)點(diǎn)不在于一層一層的搭建，個(gè)人認(rèn)為最重要的在于以下兩個(gè)：
（1）第一，自動(dòng)求導(dǎo)。設(shè)想一下，如果一個(gè)如此復(fù)雜的“高維度”、“非線性”的函數(shù)，需要自己寫出求導(dǎo)公式，在進(jìn)行矩陣運(yùn)算，這一項(xiàng)就很不現(xiàn)實(shí)了。
（2）第二，參數(shù)的優(yōu)化。即所謂的optimizer的作用，它是每一個(gè)參數(shù)的更新規(guī)則，由于模型參數(shù)眾多，不可能一個(gè)一個(gè)來(lái)更新，而且沒(méi)一個(gè)更新的原理是重復(fù)的，深度學(xué)習(xí)框架正好提供了一步到位的方法，不管是tensorflow還是pytorch。
總結(jié)
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
Qt自定義Plot實(shí)現(xiàn)曲線繪制的詳細(xì)過(guò)程
這篇文章主要介紹了Qt自定義Plot實(shí)現(xiàn)曲線繪制,包含arm觸摸屏多點(diǎn)觸控縮放（只支持兩點(diǎn)），實(shí)時(shí)曲線繪制，數(shù)據(jù)點(diǎn)根據(jù)繪制寬度優(yōu)化，跟蹤點(diǎn)數(shù)據(jù)獲取，雙坐標(biāo)等功能，需要的朋友可以參考下2021-11-11
pytorch torch.expand和torch.repeat的區(qū)別詳解
這篇文章主要介紹了pytorch torch.expand和torch.repeat的區(qū)別詳解，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-11-11
在程序開(kāi)發(fā)過(guò)程中，代碼的運(yùn)行往往會(huì)和我們預(yù)期的結(jié)果有所差別。于是，我們需要清楚代碼運(yùn)行過(guò)程中到底發(fā)生了什么？代碼哪些模塊運(yùn)行了，哪些模塊沒(méi)有運(yùn)行？輸出的局部變量是什么樣的？PySnooper，能夠大大減少調(diào)試過(guò)程中的工作量2021-11-11
python中的變量默認(rèn)是什么類型呢？還有很多新手不太明白。下面小編就為大家介紹一下python中的變量默認(rèn)是什么類型。一起跟隨小編過(guò)來(lái)看看吧2016-09-09
文件操作在Python編程中是不可或缺的一部分，在本篇博客中，我們將全面、深入地探討Python中的文件操作，感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)學(xué)習(xí)2023-06-06
Python3.5 創(chuàng)建文件的簡(jiǎn)單實(shí)例
下面小編就為大家分享一篇Python3.5 創(chuàng)建文件的簡(jiǎn)單實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-04-04
這篇文章主要介紹了Python爬取網(wǎng)頁(yè)信息的示例，幫助大家更好的理解和學(xué)習(xí)python 爬蟲(chóng)，感興趣的朋友可以了解下2020-09-09
Python標(biāo)準(zhǔn)庫(kù)中隱藏的利器(示例詳解)
在命令行中直接使用Python標(biāo)準(zhǔn)庫(kù)的模塊，最大的好處就是就是不用寫代碼，就能使用其中的功能，當(dāng)臨時(shí)需要一些某些功能的時(shí)候，用這種方式會(huì)快捷，方便很多，這篇文章主要介紹了Python標(biāo)準(zhǔn)庫(kù)中隱藏的利器,需要的朋友可以參考下2023-11-11
這篇文章主要介紹了python制作一個(gè)解壓縮軟件的方法，非常不錯(cuò)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-11-11
Python?第三方庫(kù)?Pandas?數(shù)據(jù)分析教程
這篇文章主要介紹了Python?第三方庫(kù)?Pandas?數(shù)據(jù)分析教程的相關(guān)資料,需要的朋友可以參考下2022-09-09