PyTorch 学习笔记(二)
1 . 在 Tensor 上的所有操作,autograd
都能为它们自动提供微分,避免了手动计算导数的复杂过程,只需要设置 tensor.requires_grad=True
即可。
Input:
1 | import torch as t |
Output:
grad
在反向传播过程中是累加的,每一次运行反向传播,梯度都会累加之前的梯度,因此反向传播之前需要把梯度清零。
Input:
1 | y.backward() |
Output:
2 . torch.nn
是专门为神经网络设计的模块化接口,nn
构建于 Autograd 之上,可用来定义和运行网络,nn.Module
是 nn
中最重要的类,可以把它看成是一个网络的封装,包含网络定义以及 forward
方法,调用 forward(input)
方法,可返回前向传播的结果,下面是 LeNet 的实现。
Input:
1 | import torch.nn as nn |
Output:
只要在 nn.Module
的子类中定义了 forward
函数,backward
函数就会自动被实现(利用 autograd
),网络的可学习参数通过 net.parameters()
返回,net.named_parameters
可同时返回可学习的参数和名称。
Input:
1 | params = list(net.parameters()) |
Output:
forward
函数的输入和输出都是 Tensor。
Input:
1 | input = t.randn(1, 1, 32, 32) |
Output:
1 | net.zero_grad() # 所有参数的梯度清零 |
torch.nn
只支持 mini-batches,不支持一次只输入一个样本,即一次必须是一个 batch,但如果只想输入一个样本,则用 input.unsqueeze(0)
将 batch_size 设为 1。
3 . nn
实现了神经网络中大多数的损失函数,例如 nn.MSELoss
用来计算均方误差,nn.CrossEntropyLoss
用来计算交叉熵损失。
Input:
1 | output = net(input) |
Output:
torch.LongTensor
—-> torch.FloatTensor
: tensor.float()
torch.FloatTensor
—-> torch.LongTensor
: tensor.long()
Input:
1 | # 运行 backward,观察调用之前和调用之后的 grad |
Output:
4 . 在反向传播计算完所有参数的梯度之后,还需要使用优化方法来更新网络的权重和参数,例如随机梯度下降(SGD)的更新策略手动实现如下:
1 | learning_rate = 0.01 |
torch.optim
中实现了深度学习中绝大多数的优化方法,例如 RMSProp、Adam、SGD 等。
1 | import torch.optim as optim |
笔记来源:《pytorch-book》