利用 PyTorch 构建神经网络（详细版）

点击关注我哦

欢迎关注 “小白玩转Python”，发现更多 “有趣”

“The question of whether a computer can think is no more interesting than the question of whether a submarine can swim.”

― Edsger W. Dijkstra

在本文章中，我们将使用 PyTorch 从头开始实现一个简单的神经网络。

注：阅读本文之前，最好可以了解神经网络的工作原理。

虽然有很多库可以用于深度学习，但我最喜欢 PyTorch。作为一名 python 程序员，我喜欢 PyTorch 的 python 行为是原因之一。它主要使用了 python 的风格和能力，这是很容易理解和使用。

在其核心，PyTorch 提供两个主要特性：

1. 一个类似于 numpy 的 n 维张量，但可以在 gpu 上运行；

2. 自动区分建立和训练神经网络。

什么是神经网络？

神经网络是一组可以模仿人类大脑，并被设计用来识别模式的算法。这些网络是由接近神经元的单个部分构成的，通常称为单元或简称为“神经元”每个单元有一定数量的加权输入。这些加权的输入总和在一起(一个线性组合) ，然后通过一个激活函数来得到单位输出。

神经网络中的节点类型：

1. 输入单元ーー把外界的资讯输入网络，统称为「输入层」。这些节点不执行任何计算，它们只是将信息传递给隐藏节点；

2. 隐藏单元ーー这些节点与外界没有任何直接联系。它们执行计算并将信息从 Input 节点传输到 Output 节点。一个隐藏节点的集合形成了一个“隐藏层”。虽然前馈网络只有一个输入层和一个输出层，但是它可以有零个或多个隐藏层；

3. 输出单元ーー输出节点统称为「输出层」 ，负责计算及将网络上的资讯传送到外界。

每一层包含一个或多个节点。

建立神经网络

PyTorch 提供了一个模块 nn，使得构建网络更加简单。我们将看到如何建立一个有784个输入，256个隐藏单元，10个输出单元和一个softmax 输出单元的神经网络。

from torch import nnclass Network(nn.Module):
    def __init__(self):
        super().__init__()
        
        # Inputs to hidden layer linear transformation
        self.hidden = nn.Linear(784, 256)
        # Output layer, 10 units - one for each digit
        self.output = nn.Linear(256, 10)
        
        # Define sigmoid activation and softmax output
        self.sigmoid = nn.Sigmoid()
        self.softmax = nn.Softmax(dim=1)
        
    def forward(self, x):
        # Pass the input tensor through each of our operations
        x = self.hidden(x)
        x = self.sigmoid(x)
        x = self.output(x)
        x = self.softmax(x)
        
        return x

注: Softmax 激活函数函数，也称为 softargmax 或 normalizd exponential 函数，可以讲一个含任意实数的K维向量z“压缩”至另一个K维实向量f(z)中，使得每一个元素的范围都在(0, 1)之间，且所有元素的和为1。

让我们把这一行一行地过一遍。

class Network(nn.Module):

这里我们继承了 nn.Module。与 super ().__init__()结合将创建一个可以提供许多有用的方法和属性的类。当你为你的网络创建一个类的时候通常都会从nn.Module进行继承。类的名称可以自定义。

self.hidden = nn.Linear(784, 256)

这一行创建了一个线性映射模块，xW + b，包含784个输入和256个输出，并将其赋值给 self.hidden。该模块自动创建的权重和偏差，我们将在forward函数中使用，并且可以通过 net.hidden.weight 和 net.hidden.bias 从创建的网络中访问权重和偏差。

self.output = nn.Linear(256, 10)

同样地，这也创建了另一个有256个输入和10个输出的线性映射。

self.sigmoid = nn.Sigmoid()
self.softmax = nn.Softmax(dim=1)

这里我定义了用于 sigmoid 激活和 softmax 输出的操作。并设置 dim = 1 在 nnSoftmax (dim = 1)对某一维度的列进行softmax运算。

def forward(self, x):

用 nn.Module 创建的 PyTorch 网络必须定义了一个forward方法，它接受一个张量 x，并将其传递给在 __init__ 方法中定义的操作。

x = self.hidden(x)
x = self.sigmoid(x)
x = self.output(x)
x = self.softmax(x)

这里输入张量 x 通过每个操作重新赋值给 x。我们可以看到，输入张量通过隐藏层，然后是 Sigmod 函数，然后是输出层，最后是Softmax函数。您在这里将变量命名为什么并不重要，只要操作的输入和输出符合您想要构建的网络体系结构即可。在 __init__ 方法中定义事物的顺序并不重要，但是您需要在 forward 方法中正确排列操作的顺序。

# Create the network and look at it's text representation
model = Network()
model

利用神经网络建立神经网络

PyTorch 提供了一种构建类似于张量按顺序通过操作的方便方法——nn.Sequential。我们也可以使用这个来建立等价的网络：

# Hyperparameters for our network
input_size = 784
hidden_sizes = [128, 64]
output_size = 10
# Build a feed-forward network
model = nn.Sequential(nn.Linear(input_size, hidden_sizes[0]),
                      nn.ReLU(),
                      nn.Linear(hidden_sizes[0], hidden_sizes[1]),
                      nn.ReLU(),
                      nn.Linear(hidden_sizes[1], output_size),
                      nn.Softmax(dim=1))
print(model)

这里我们的模型是一样的，784个输入单元，一个有128个单元的隐藏层，ReLU 激活函数，64个单元的隐藏层，另一个 ReLU函数，然后带有10个单元的输出层，Softmax层。

您还可以传入 OrderedDict 来命名各个层和操作，而不是使用增量整数。注意，字典键必须是唯一的，因此每个操作必须有不同的名称。

from collections import OrderedDict
model = nn.Sequential(OrderedDict([
                      ('fc1', nn.Linear(input_size, hidden_sizes[0])),
                      ('relu1', nn.ReLU()),
                      ('fc2', nn.Linear(hidden_sizes[0], hidden_sizes[1])),
                      ('relu2', nn.ReLU()),
                      ('output', nn.Linear(hidden_sizes[1], output_size)),
                      ('softmax', nn.Softmax(dim=1))]))
 
 
model

现在，您可以通过整数或名称访问层，如下所示：

print(model[0])
print(model.fc1)

·  END  ·

HAPPY LIFE