神经网络能够使用torch.nn包构建神经网络。
现在你已经对autogard有了初步的了解，nn基于autograd来定义模型并进行微分。一个nn.Module包含层，和一个forward(input)方法并返回output。
以如下分类数字图片的网络所示：
这是一个简单的前馈网络。它接受输入，经过一层接着一层的神经网络层，最终得到输出。
一个神经网络典型的训练流程如下：
- 定义拥有可学习的参数的神经网络
- 迭代数据集作为输入
- 经过网络处理输入
- 计算损失（离正确输出的距离）
- 反向传播梯度到网络参数
- 更新网络的权重，比如简单的更新规则：weight=weight-learning_rate*gradient
定义网络
让我们定义这个网络：
import torch.nn as nn import torch.nn.functional as F class Net(nn.Module):def __init__(self):super(Net,self).__init__()# 一个输入图片通道，六个输出通道，5*5的卷积核self.conv1=nn.Conv2d(1,6,5)self.conv2=nn.Conv2d(6,16,5)# 一个仿射操作：y=wx+bself.fc1=nn.Linear(16*5*5,120)self.fc2=nn.Linear(120,84)self.fc3=nn.Linear(84,10)def forward(self,x):# 2*2窗口的最大赤化x=F.max_pool2d(F.relu(self.conv1(x)),(2,2))# 如果是一个方块就只需要指定一个长度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 xdef num_flat_features(self,x):
#第一个尺寸是batch sizesize=x.size()[1:]print(size)num_features=1for s in size:num_features*=sreturn num_featuresnet=Net() print(net)
out: 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) )
你只需要定义forward函数，backward函数（计算梯度的地方）是自动定义的。你能够在forward中使用任意的tensor运算。
模型可学习的参数将通过net.parameters()返回
params=list(net.parameters()) print(len(params)) print(params[0].size())
out:
10
torch.Size([6, 1, 5, 5])
让我们试一下随机的32*32输入，注意：这个网络（LeNet）期望的输入尺寸是32*32。为了在MNIST数据集上使用这个网络，请将数据集的图片调整到32*32。
input=torch.randn(1,1,32,32) out=net(input) print(out)
out:
tensor([[ 0.0355, -0.0294, -0.0025, -0.0743, -0.0168, -0.0202, -0.0558,
0.0803, -0.0162, -0.1153]])
将所有参数的梯度缓冲变为0并使用随机梯度进行后向传播：
net.zero_grad()
out.backward(torch.randn(1,10))
!注意：
torch.nn只支持最小批。整个torch.nn包只支持输入的样本是一个最小批，而不是一个单一样本.
举例来说，nn.Conv2d将会接收4维的Tensor,nSamples*nChannels*Heights*Width.
如果你有一个单一样本，可以使用input.unsqueeze(0)来增加一个虚假的批维度。
在进行进一步处理前，让我们简要重复目前为止出现的类。
扼要重述：
- torch.Tensor- 一个支持自动求导操作比如backward()的多维数组。同时保留关于tensor的梯度.
- nn.Module- 神经网络模型。简易的封装参数的方法，帮助将它们转移到GPU上，导出加载等等.
- nn.Parameters - 一类Tensor,在作为Module属性指定时会自动注册为一个parameter.
- autograd.Function- 自动求导操作前向与后向的实现。每个tensor操作，至少创建一个Functional节点，它连接到创建Tensor的函数并编码它的历史
在这一节，我们包含了：
- 定义一个神经网络
- 处理输入并调用后向传播
还剩下：
- 计算损失
- 更新网络的权重
损失函数：
损失函数接收对（输出，目标）作为输入，计算一个值估计输出与目标之间的距离。
nn包下有一些不同的损失函数。一个简单的损失是nn.MSELoss,它计算的是输入与输出之间的均方误差。
比如：
output=net(input) target=torch.randn(10) target=target.view(1,-1) criterion=nn.MSELoss()loss=criterion(output,target) print(loss)
out:
tensor(1.1941)
现在，如果你如果按照loss的反向传播方向，使用.grad_fn属性，你将会看到一个计算图如下所示：
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d -> view -> linear -> relu -> linear -> relu -> linear -> MSELoss -> loss 所以，当你调用loss.backward(),整个图关于损失求导，并且图中所有requires_grad=True的tensor将会有它们的.grad属性。Tensor的梯度是累加的。
为了说明这一点，我们跟踪backward的部分步骤：
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
out:
<MseLossBackward object at 0x0000020E2E1289B0>
<AddmmBackward object at 0x0000020E2BF48048>
<ExpandBackward object at 0x0000020E2BF48048>
Backprop
为了反向传播error，我们需要做的就是loss.backward()。你需要清除现有的梯度，否则梯度将会累计到现有梯度上。
现在我们会调用loss.backward(),观察调用backward前后conv1层偏差的梯度。
net.zero_grad()print('conv1.bias.grad before backward') print(net.conv1.bias.grad) loss.backward() print('conv1.bias.grad after backward') print(net.conv1.bias.grad)
out:
conv1.bias.grad before backward
None # 上一个版本将会是一个为0的向量
conv1.bias.grad after backward
tensor(1.00000e-03 *
[ 4.0788, 1.9541, 5.8585, -2.3754, 2.3815, 1.3351])
现在我们知道了如何使用loss函数
稍后阅读：
神经网络包包含各种模型和loss函数，它们组成了深度神经网络的构建区块。完整的文档在这里。http://pytorch.org/docs/nn
剩下来需要学习的是：
- 更新网络的权重
更新权重
实际中使用的最简单更新规则是随机梯度下降（SGD）:
weight=weight-learning_rate*gradient
我们能够使用简单的python代码实现：
learning_rate=0.01 for f in net.parameters():f.data.sub_(f.grad.data*learning_rate)
然而，当我们使用神经网络，你想要使用各种不同的更新规则比如SGD,Nesterov-SGD,Adam,RMSProp等。为了做到这一点，我们建立了一个小的包torch.optim实现了这些方法。使用它非常简单。
import torch.optim as optim#create your optimizer optimizer =optim.SGD(net.parameters(),lr=0.01)# in your training loop optimizer.zero_grad() output=net(input) loss=criterion(output,target) loss.backward() optimizer.step()
！注意：
手动使用optimizer.zero_grad()来将梯度缓冲变为0。这在Backprop章节进行了解释，因为梯度是累加的。
