Pytorch :从零搭建一个神经网络

安装

依赖

下载cudnn压缩包

#Unzip the cuDNN package.
$ tar -xvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz
#Copy the following files into the CUDA toolkit directory.
$ sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include 
$ sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64 
$ sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

从源码编译pytorch

git clone https://github.com/pytorch/pytorch.git
cd pytorch
git checkout branchname # 切换分支
git submodule sync
git submodule update --init --recursive
conda install cmake ninja
# Run this command from the PyTorch directory after cloning the source code using the “Get the PyTorch Source“ section below
pip install -r requirements.txt
conda install mkl mkl-include
# CUDA only: Add LAPACK support for the GPU if needed
conda install -c pytorch magma-cuda110  # or the magma-cuda* that matches your CUDA version from https://anaconda.org/pytorch/repo
export CMAKE_PREFIX_PATH=${CONDA_PREFIX:-"$(dirname $(which conda))/../"}
python setup.py build --cmake-only
ccmake build  # or cmake-gui build
make -j${nproc}

CXX_ABI问题

查看pytorch编译使用的CXXABI

torch._C._GLIBCXX_USE_CXX11_ABI

数据集

torch.utils.data.Dataset是代表这一数据的抽象类，你可以自己定义你的数据类继承和重写这个抽象类，只需定义__len__和__getitem__这两个函数：

• __len__函数返回数据集样本的数量
• __getitem__函数从数据集中返回给定索引idx的样本

归一化

归一化是一种常用的数据预处理技术，用于缩放或转换数据，以确保每个特征都有相同的学习贡献。

Transforms

数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用transforms来对数据进行一些操作，并使其适合训练。所有TorchVision数据集都有两个参数(tansform来修改特征和target_transform来修改标签)，它们接受包含转换逻辑的可调用对象。torchvision.transforms模块提供了几个开箱即用的常用转换。

from torchvision import datasets
from torchvision.transforms import ToTensor, Lambdads = datasets.FashionMNIST(root="data",train=True,download=True,transform=ToTensor(),target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)

ToTensor将PIL image 或 NumPy ndarray 转化为FloatTensor，并且将像素值缩放到[0.,1.]区间

搭建神经网络

神经网络是由一层一层连接起来的神经元的集合。每个神经元都是一个小型计算单元，执行简单的计算，解决一个问题。它们是分层组织的。有3种类型的层:输入层，隐藏层和输出层。除了输入层，每一层都包含一些神经元。神经网络模仿人类大脑处理信息的方式。

Components of a neural network

• Activation function激活函数
  决定一个神经元是否应该被激活。在神经网络中发生的计算包括应用激活函数。如果一个神经元被激活，那就意味着输入很重要。这是不同种类的激活函数。选择使用哪个激活函数取决于您想要的输出是什么。激活函数的另一个重要作用是为模型添加非线性
  • Binary used to set an output node to 1 if function result is positive and 0 if the function result is negative. $f(x)=\{\begin{array}{ll}0,& \text{if }x<0\\ 1,& \text{if }x\ge 0\end{array}$
  • Sigmod is used to predict the probability of an output node being between 0 and 1. $f(x)=\frac{1}{1+e^{-x}}$
  • Tanh is used to predict if an output node is between 1 and -1. Used in classification use cases. $f(x)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$
  • ReLU used to set the output node to 0 if fuction result is negative and keeps the result value if the result is a positive value. $f(x)=\{\begin{array}{ll}0,& \text{if }x<0\\ x,& \text{if }x\ge 0\end{array}$
• Weights权值
  一层中所有神经元的权重被组织成一个张量
• Bias偏置
  

我们可以说，具有权重$W$和偏差$b$的神经网络层的输出$y=f(x)$被计算为输入的总和乘以权重加上偏差$x=\sum (weights\ast inputs)+bias$，其中$f(x)$是激活函数

nn.Flatten

nn.Flatten 将高维数据展平为一维数据

nn.Linear

线性层是一个模块，该模块使用其存储的权重和偏置在输入上应用线性转换。

nn.Sequential

nn.Sequential 是一个有顺序的模块容器

nn.Softmax

Softmax激活函数计算神经网络输出的概率。它只用于神经网络的输出层。结果被缩放为值[0,1]，表示模型对每个类的预测概率。dim 参数表示结果值之和必须为维度1。

torch.nn.functional.binary_cross_entropy_with_logits二元交叉熵
$$\mathrm{loss}=-(\mathrm{target}\ast \log (\mathrm{sigmoid}(\mathrm{input}))+(1-\mathrm{target})\ast \log (1-\mathrm{sigmoid}(\mathrm{input})))$$
sigmoid()函数将输入映射到0到1之间的概率

Model Parameters

神经网络中的许多层都被参数化，即具有在训练过程中优化的相关权重和偏置。nn.module的派生类自动跟踪模型对象中定义的所有字段，并使用模型的parameter()或named_parameters()方法访问所有参数。

优化模型参数

现在我们有了模型和数据，是时候通过优化数据上的参数来训练、验证和测试我们的模型了。训练一个模型是一个迭代的过程，在每个迭代中(称为epoch)。该模型对输出进行预测，计算预测的误差(损失)，收集误差对其参数的导数(正如我们在上一模块中看到的那样)，并使用梯度下降优化这些参数。

设置超参数

超参数是可调整的参数，让您控制模型优化过程。不同的超参数值可能会影响模型的训练和准确性水平。

我们为训练定义了以下超参数：

• Epoch number - 整个训练数据集通过网络的次数。
• Batch size - 每个 epoch 模型看到的数据样本数量。迭代次数是完成一个 epoch 所需的批次数。
• 学习率 - 模型匹配时所采用的步长大小，以寻找能够产生更高模型准确度的最佳权重。较小的值意味着模型需要更长时间来寻找最佳权重，而较大的值可能会导致模型跳过并错过最佳权重，从而在训练期间产生不可预测的行为。

添加优化循环

一旦我们设置了超参数，我们就可以用优化循环来训练和优化我们的模型。优化循环的每个迭代称为一个epoch。

每个epoch包含两个部分：

• The Train Loop - iterate over the training dataset and try to converge to optimal parameters.
• The Validation/Test Loop - iterate over the test dataset to check if model performance is improving.

添加 loss function

当给出一些训练数据时，我们未经训练的网络可能不会给出正确的预测。
Loss function衡量预测结果与期望值的差异度，我们希望在训练阶段最小化loss function。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实的数据标签值进行比较。

Common loss functions include:

• nn.MSELoss (Mean Square Error) used for regression tasks
• nn.NLLLoss (Negative Log Likelihood) used for classification
• nn.CrossEntropyLoss combines nn.LogSoftmax and nn.NLLLoss

We pass our model’s output logits to nn.CrossEntropyLoss, which will normalize the logits and compute the prediction error.

优化过程

所有优化的逻辑都被封装在optimizer对象中。提供了很多不同的优化算法，如ADAM 和 RMSProp

我们通过注册需要训练的模型参数来初始化优化器，并传入学习率超参数

optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

在训练循环，优化分为三步：

• 调用optimizer.zero_grad()来初始化模型参数的梯度。梯度默认情况下是累加起来的，为了避免这种情况，我们在每次迭代显式调用归零。
• 通过调用loss.backward()反向传播预测损失。PyTorch保存损失函数相对于每个参数的梯度
• 一旦有了梯度，调用optimizer.step()来通过反向传播中收集的梯度来调整参数

完整实现

我们定义了根据训练数据集优化模型参数的train_loop，以及根据测试数据评估模型性能的test_loop

def train_loop(dataloader, model, loss_fn, optimizer):model.train()  # sets the module in training modesize = len(dataloader.dataset)for batch, (X, y) in enumerate(dataloader):        # Compute prediction and losspred = model(X)loss = loss_fn(pred, y)# Backpropagationoptimizer.zero_grad()loss.backward()optimizer.step()if batch % 100 == 0:loss, current = loss.item(), batch * len(X)print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")def test_loop(dataloader, model, loss_fn):model.eval()  # sets the module in evaluation modesize = len(dataloader.dataset)test_loss, correct = 0, 0with torch.no_grad():for X, y in dataloader:pred = model(X)test_loss += loss_fn(pred, y).item()correct += (pred.argmax(1) == y).type(torch.float).sum().item()test_loss /= sizecorrect /= sizeprint(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

我们初始化损失函数和优化器，并将其传递给“训练循环”和“测试循环”。您可以随意增加epoch的数量，以跟踪模型不断改进的性能

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)epochs = 10
for t in range(epochs):print(f"Epoch {t+1}\n-------------------------------")train_loop(train_dataloader, model, loss_fn, optimizer)test_loop(test_dataloader, model, loss_fn)
print("Done!")

模型的保存和加载

参考链接

在PyTorch里面使用torch.save来保存模型的结构和参数，有两种保存方式

1. 保存整个模型的结构信息和参数信息，保存的对象是模型model
2. 保存模型的参数，保存的对象是模型的状态model.state_dict()

可以这样保存，save的第一个参数是保存对象，第二个参数是保存路径及名称：

torch.save(model, './model.pth')
torch.save(model.state_dict(), './model_state.pth')

加载模型有两种方式对应于保存模型的方式：

1. 加载完整的模型结构和参数信息，使用load_model = torch.load('model.pth')，在网络较大时加载时间比较长，同时存储空间也比较大；
2. 加载模型的参数信息，需要先导入模型的结构，然后通过model.load(torch.load('model_state.pth'))来导入。

model = NeuralNetwork()
model.load_state_dict(torch.load('data/model.pth'))
model.eval()

Note: Be sure to call model.eval() method before inferencing to set the dropout and batch normalization layers to evaluation mode. Failing to do this will yield inconsistent inference results.