Pytorch | Tutorial-04 構建神經網路模型

一碗给力嗯發表於2024-03-20
PyTorch神經網路模型

這是對 Pytorch 官網的 Tutorial 教程的中文翻譯。

神經網路由對資料執行操作的層/模組組成。 torch.nn 名稱空間提供了構建您自己的神經網路所需的所有構建塊。 PyTorch 中的每個模組都是 nn.Module 的子類。神經網路本身就是一個模組，由其他模組（層）組成。這種巢狀結構允許輕鬆構建和管理複雜的架構。

在以下部分中，我們將構建一個神經網路來對 FashionMNIST 資料集中的影像進行分類。

import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

選擇 GPU/CPU 訓練

我們希望能夠在 GPU 或 MPS 等硬體加速器（如果可用）上訓練我們的模型。讓我們檢查一下 torch.cuda 或 torch.backends.mps 是否可用，否則我們使用 CPU。

device = (
    "cuda"
    if torch.cuda.is_available()
    else "mps" if torch.backends.mps.is_available() else "cpu"
)
print(f"Using {device} device")

輸出：

Using cuda device

定義神經網路類

我們透過繼承 nn.Module 類來定義神經網路，並在 __init__ 中初始化神經網路層。每個 nn.Module 子類都在 forward 方法中實現對輸入資料的操作。

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__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

建立 NeuralNetwork 例項，將其移動到 device 並列印其結構。

model = NeuralNetwork().to(device)
print(model)

輸出：

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)
  )
)

為了使用該模型，我們將輸入資料傳遞給它。這將執行模型的 forward 以及一些後臺操作。不要直接呼叫 model.forward()

將資料輸入模型後，模型會返回一個二維張量，其中 dim=0 對應於 10 個類別的原始預測值（如 0，1，2，3...），dim=1 對應於每個預測值的得分（如 -10.9，5.7，6.9，2.4，66.6...）。我們透過將返回的二維張量傳遞給 nn.Softmax 模組的例項來獲取預測機率。

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}")

輸出：

Predicted class: tensor([7], device='cuda:0')

模型層

讓我們分解 FashionMNIST 模型中的各個層。為了說明這一點，我們將用包含 3 張大小為 28x28 影像的小批次樣本，看看當我們將其傳遞到網路時會發生什麼。

input_image = torch.rand(3,28,28)
print(input_image.size())

輸出：

torch.Size([3, 28, 28])

nn.Flatten

我們初始化 nn.Flatten 層，將每個二維 28x28 影像轉換為包含 784 個畫素值的連續陣列（不改變小批次樣本的維度，即 3）。

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())

輸出：

torch.Size([3, 784])

nn.Linear

線性層使用其儲存的權重和偏差對輸入進行線性變換。

layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())

輸出：

torch.Size([3, 20])

nn.ReLU

非線性啟用函式在模型輸入和輸出之間建立複雜的對映。線上性變換後應用非線性啟用函式以引入非線性，幫助神經網路學習各種情況。

在此模型中，我們線上性層之間使用 nn.ReLU，也可以使用其他啟用函式為模型引入非線性。

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

輸出：

Before ReLU: tensor([[ 0.4158, -0.0130, -0.1144,  0.3960,  0.1476, -0.0690, -0.0269,  0.2690,
          0.1353,  0.1975,  0.4484,  0.0753,  0.4455,  0.5321, -0.1692,  0.4504,
          0.2476, -0.1787, -0.2754,  0.2462],
        [ 0.2326,  0.0623, -0.2984,  0.2878,  0.2767, -0.5434, -0.5051,  0.4339,
          0.0302,  0.1634,  0.5649, -0.0055,  0.2025,  0.4473, -0.2333,  0.6611,
          0.1883, -0.1250,  0.0820,  0.2778],
        [ 0.3325,  0.2654,  0.1091,  0.0651,  0.3425, -0.3880, -0.0152,  0.2298,
          0.3872,  0.0342,  0.8503,  0.0937,  0.1796,  0.5007, -0.1897,  0.4030,
          0.1189, -0.3237,  0.2048,  0.4343]], grad_fn=<AddmmBackward0>)


After ReLU: tensor([[0.4158, 0.0000, 0.0000, 0.3960, 0.1476, 0.0000, 0.0000, 0.2690, 0.1353,
         0.1975, 0.4484, 0.0753, 0.4455, 0.5321, 0.0000, 0.4504, 0.2476, 0.0000,
         0.0000, 0.2462],
        [0.2326, 0.0623, 0.0000, 0.2878, 0.2767, 0.0000, 0.0000, 0.4339, 0.0302,
         0.1634, 0.5649, 0.0000, 0.2025, 0.4473, 0.0000, 0.6611, 0.1883, 0.0000,
         0.0820, 0.2778],
        [0.3325, 0.2654, 0.1091, 0.0651, 0.3425, 0.0000, 0.0000, 0.2298, 0.3872,
         0.0342, 0.8503, 0.0937, 0.1796, 0.5007, 0.0000, 0.4030, 0.1189, 0.0000,
         0.2048, 0.4343]], grad_fn=<ReluBackward0>)

nn.Sequential

nn.Sequential 是模組的有序容器。資料按照與定義相同的順序在所有模組間傳遞。可以使用順序容器來組成一個快速網路，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)

nn.Softmax

神經網路最後一個線性層返回的 logits （原始值）被傳遞到 nn.Softmax 模組。 logits 縮放到 0 和 1 之間，表示模型對每個類別的預測機率。 dim 引數指示維度，沿該維度值的總和必須為 1。

softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)

模型引數

神經網路內的許多層都是引數化的，即具有在訓練期間最佳化的相關權重和偏差。nn.Module 的子類自動跟蹤模型物件內定義的所有欄位，並使所有引數可使用模型的 parameters() 或 named_parameters() 方法訪問。

在此示例中，我們迭代每個引數，並列印其大小及其值的預覽。

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")

輸出：

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([[ 0.0273,  0.0296, -0.0084,  ..., -0.0142,  0.0093,  0.0135],
        [-0.0188, -0.0354,  0.0187,  ..., -0.0106, -0.0001,  0.0115]],
       device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values : tensor([-0.0155, -0.0327], device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values : tensor([[ 0.0116,  0.0293, -0.0280,  ...,  0.0334, -0.0078,  0.0298],
        [ 0.0095,  0.0038,  0.0009,  ..., -0.0365, -0.0011, -0.0221]],
       device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values : tensor([ 0.0148, -0.0256], device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values : tensor([[-0.0147, -0.0229,  0.0180,  ..., -0.0013,  0.0177,  0.0070],
        [-0.0202, -0.0417, -0.0279,  ..., -0.0441,  0.0185, -0.0268]],
       device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values : tensor([ 0.0070, -0.0411], device='cuda:0', grad_fn=<SliceBackward0>)

相關文章