『PyTorch』第四弹_通过LeNet初识pytorch神经网络_下

『PyTorch』第四弹_通过LeNet初识pytorch神经网络_上

# Author : Hellcat
# Time   : 2018/2/11

import torch as t
import torch.nn as nn
import torch.nn.functional as F

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet,self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.conv2 = nn.Conv2d(6,16,5)
        self.fc1 = nn.Linear(16*5*5,120)
        self.fc2 = nn.Linear(120,84)
        self.fc3 = nn.Linear(84,10)

    def forward(self,x):
        x = F.max_pool2d(F.relu(self.conv1(x)),(2,2))
        x = F.max_pool2d(F.relu(self.conv2(x)),2)
        x = x.view(x.size()[0], -1)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

if __name__ == "__main__":
    net = LeNet()

    # #########训练网络#########
    from torch import optim
    # 初始化Loss函数 & 优化器
    loss_fn = nn.CrossEntropyLoss()
    optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

    for epoch in range(2):
        running_loss = 0.0
        for step, data in enumerate(trainloader, 0):  # step为训练次数， trainloader包含batch的数据和标签
            inputs, labels = data
            inputs, labels = t.autograd.Variable(inputs), t.autograd.Variable(labels)

            # 梯度清零
            optimizer.zero_grad()

            # forward
            outputs = net(inputs)
            # backward
            loss = loss_fn(outputs, labels)
            loss.backward()
            # update
            optimizer.step()

            running_loss += loss.data[0]
            if step % 2000 == 1999:
                print("[{0:d}, {1:5d}] loss: {2:3f}".format(epoch+1, step+1, running_loss/2000))
                running_loss = 0.
    print("Finished Training")

这是使用LeNet分类cifar_10的例子，数据处理部分由于不是重点，没有列上来，主要是对使用torch分类有一个直观理解，

初始化网络

初始化Loss函数 & 优化器

进入step循环：

　　梯度清零

　　向前传播

　　计算本次Loss

　　向后传播

　　更新参数

由于pytorch的网络是class，所以在不考虑持久化的情况下，后续处理都不是太难，值得一提的是预测函数，我们直接net(Variable(test_data))即可，输出是概率分布的Variable，我们只要调用：

_, predict = t.max(test_out, 1)

即可，这是因为当指定了dim时，torch.max会融合max和argmax的功能，

>> a = torch.randn(4, 4)

>> a

0.0692 0.3142 1.2513 -0.5428

0.9288 0.8552 -0.2073 0.6409

1.0695 -0.0101 -2.4507 -1.2230

0.7426 -0.7666 0.4862 -0.6628

torch.FloatTensor of size 4x4]

>>> torch.max(a, 1)

(

1.2513

0.9288

1.0695

0.7426

[torch.FloatTensor of size 4]

,

2

0

0

0

[torch.LongTensor of size 4]

)

其他torch的高级功能没有使用到，本篇的目的是对于torch神经网络基本的使用有个理解。