pytorch系列 ---5以 linear_regression為例講解神經網路實現基本步驟以及解讀nn.Linear函式
本文主要講述最簡單的線性迴歸函式:
在pytorch的實現,主要包括神經網路實現的基本步驟和nn.Linear的原始碼解讀。
1. nn.Linear 原始碼解讀
先看一下Linear類的實現:
原始碼網址:https://pytorch.org/docs/stable/_modules/torch/nn/modules/linear.html
Linear繼承於nn.Module,內部函式主要有__init__
,reset_parameters
, forward
和extra_repr
函式
__init__(self, in_features, out_features, bias=True)
- in_features:前一層網路神經元的個數
- out_features: 該網路層神經元的個數
以上兩者決定了weight的形狀[out_features , in_features]
- bias: 網路層是否有偏置,預設存在,且維度為
[out_features ]
,若bias=False,則該網路層無偏置。
接下來看一下,輸入該網路層的形狀(N, *, in_features)
,其中N為批量處理過成中每批資料的數量,*表示,單個樣本資料中間可以包含很多維度,但是單個數據的最後一個維度的形狀一定是in_features
.
經過該網路輸出的形狀為(N, *, out_features)
,其中計算過程為:
接下來在看一下Linear包含的屬性:
從__init__
函式中可以看出Linear中包含四個屬性
- in_features: 上層神經元個數
- out_features: 本層神經元個數
- weight:權重, 形狀
[out_features , in_features]
- bias: 偏置, 形狀
[out_features]
-
reset_parameters(self)
引數初始化函式
在__init__
中呼叫此函式,權重採用Xvaier initialization 初始化方式初始引數。 -
forward(self, input)
在Module的__call__
函式呼叫此函式,使得類物件具有函式呼叫的功能,同過此功能實現pytorch的網路結構堆疊。
具體實現方式請看下面兩篇部落格:
- https://blog.csdn.net/dss_dssssd/article/details/83750838
- https://blog.csdn.net/dss_dssssd/article/details/82977170
在自己寫自己的類結構是,繼承於Module,然後主要實現__init__
函式和forward
函式即可,至於可能的引數初始化方式,在後面的文章中會講到,在這只是用預設的初始化方式。
2. 結合程式碼講解神經網路實現的基本步驟
- 準備資料
- 定義網路結構
model
- 定義損失函式
- 定義優化演算法
optimizer
- 訓練
- 準備好tensor形式的輸入資料和標籤(可選)
- 前向傳播計算網路輸出
output
和計算損失函式loss
- 反向傳播更新引數
以下三句話一句也不能少:- 將上次迭代計算的梯度值清0
optimizer.zero_grad()
- 反向傳播,計算梯度值
loss.backward()
- 更新權值引數
optimizer.step()
- 將上次迭代計算的梯度值清0
- 儲存訓練集上的loss和驗證集上的loss以及準確率以及列印訓練資訊。(可選
- 圖示訓練過程中loss和accuracy的變化情況(可選)
- 在測試集上測試
3. Linear_Regression程式碼解讀
import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
# Hyper-parameters 定義迭代次數, 學習率以及模型形狀的超引數
input_size = 1
output_size = 1
num_epochs = 60
learning_rate = 0.001
# Toy dataset 1. 準備資料集
x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168],
[9.779], [6.182], [7.59], [2.167], [7.042],
[10.791], [5.313], [7.997], [3.1]], dtype=np.float32)
y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573],
[3.366], [2.596], [2.53], [1.221], [2.827],
[3.465], [1.65], [2.904], [1.3]], dtype=np.float32)
# Linear regression model 2. 定義網路結構 y=w*x+b 其中w的size [1,1], b的size[1,]
model = nn.Linear(input_size, output_size)
# Loss and optimizer 3.定義損失函式, 使用的是最小平方誤差函式
criterion = nn.MSELoss()
# 4.定義迭代優化演算法, 使用的是隨機梯度下降演算法
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
loss_dict = []
# Train the model 5. 迭代訓練
for epoch in range(num_epochs):
# Convert numpy arrays to torch tensors 5.1 準備tensor的訓練資料和標籤
inputs = torch.from_numpy(x_train)
targets = torch.from_numpy(y_train)
# Forward pass 5.2 前向傳播計算網路結構的輸出結果
outputs = model(inputs)
# 5.3 計算損失函式
loss = criterion(outputs, targets)
# Backward and optimize 5.4 反向傳播更新引數
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 可選 5.5 列印訓練資訊和儲存loss
loss_dict.append(loss.item())
if (epoch+1) % 5 == 0:
print ('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))
# Plot the graph 畫出原y與x的曲線與網路結構擬合後的曲線
predicted = model(torch.from_numpy(x_train)).detach().numpy()
plt.plot(x_train, y_train, 'ro', label='Original data')
plt.plot(x_train, predicted, label='Fitted line')
plt.legend()
plt.show()
# 畫loss在迭代過程中的變化情況
plt.plot(loss_dict, label='loss for every epoch')
plt.legend()
plt.show()
訓練結果:
每次迭代的損失函式
Epoch [5/60], Loss: 1.8269
Epoch [10/60], Loss: 0.9979
Epoch [15/60], Loss: 0.6616
Epoch [20/60], Loss: 0.5250
Epoch [25/60], Loss: 0.4693
Epoch [30/60], Loss: 0.4463
Epoch [35/60], Loss: 0.4366
Epoch [40/60], Loss: 0.4322
Epoch [45/60], Loss: 0.4301
Epoch [50/60], Loss: 0.4288
Epoch [55/60], Loss: 0.4279
Epoch [60/60], Loss: 0.4271