PyTorch的深度学习入门教程之构建神经网络-创新互联

前言

本文参考PyTorch官网的教程，分为五个基本模块来介绍PyTorch。为了避免文章过长，这五个模块分别在五篇博文中介绍。

Part3：使用PyTorch构建一个神经网络

神经网络可以使用touch.nn来构建。nn依赖于autograd来定义模型，并且对其求导。一个nn.Module包含网络的层（layers），同时forward(input)可以返回output。

这是一个简单的前馈网络。它接受输入，然后一层一层向前传播，最后输出一个结果。

训练神经网络的典型步骤如下：

（1）  定义神经网络，该网络包含一些可以学习的参数（如权重）

（2）  在输入数据集上进行迭代

（3）  使用网络对输入数据进行处理

（4）  计算loss（输出值距离正确值有多远）

（5）  将梯度反向传播到网络参数中

（6）  更新网络的权重，使用简单的更新法则：weight = weight - learning_rate* gradient，即：新的权重=旧的权重-学习率*梯度值。

1 定义网络

我们先定义一个网络：

import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):

  def __init__(self):
    super(Net, self).__init__()
    # 1 input image channel, 6 output channels, 5x5 square convolution
    # kernel
    self.conv1 = nn.Conv2d(1, 6, 5)
    self.conv2 = nn.Conv2d(6, 16, 5)
    # an affine operation: y = Wx + b
    self.fc1 = nn.Linear(16 * 5 * 5, 120)
    self.fc2 = nn.Linear(120, 84)
    self.fc3 = nn.Linear(84, 10)

  def forward(self, x):
    # Max pooling over a (2, 2) window
    x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
    # If the size is a square you can only specify a single number
    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 x

  def num_flat_features(self, x):
    size = x.size()[1:] # all dimensions except the batch dimension
    num_features = 1
    for s in size:
      num_features *= s
    return num_features


net = Net()
print(net)