pytorch_第四篇_使用pytorch快速搭建神經網絡實現二分類任務（包含示例）

使用pytorch快速搭建神經網絡實現二分類任務（包含示例）

---

Introduce

上一篇學習筆記介紹了不使用pytorch包裝好的神經網絡框架實現logistic回歸模型，並且根據autograd實現了神經網絡參數更新。

本文介紹利用pytorch快速搭建神經網絡。即利用torch.nn以及torch.optim庫來快捷搭建一個簡單的神經網絡來實現二分類功能。

• 利用pytorch已經包裝好的庫(torch.nn)來快速搭建神經網絡結構。
• 利用已經包裝好的包含各種優化算法的庫(torch.optim)來優化神經網絡中的參數，如權值參數w和閾值參數b。

以下均為初學者筆記。

---

Build a neural network structure

假設我們要搭建一個帶有兩個隱層的神經網絡來實現節點的二分類，輸入層包括2個節點（輸入節點特征），兩個隱層均包含5個節點（特征映射），輸出層包括2個節點（分別輸出屬於對應節點標簽的概率）。如下圖所示：

上圖從左右到右為輸入層、隱藏層、隱藏層、輸出層，各層之間采用全連接結構。神經網絡兩隱藏層的激活函數均采用sigmoid函數，輸出層最后采用softmax函數歸一化概率。

網絡搭建過程中使用的torch.nn相關模塊介紹如下：

• torch.nn.Sequential：是一個時序容器，我們可以通過調用其構造器，將神經網絡模塊按照輸入層到輸出層的順序傳入，以此構造完整的神經網絡結構，具體用法參考如下神經網絡搭建代碼。
• torch.nn.Linear：設置網絡中的全連接層，用來實現網絡中節點輸入的線性求和，即實現如下線性變換函數：

\[y = xA^T + b \]

'''
搭建神經網絡，
輸入層包括2個節點，兩個隱層均包含5個節點，輸出層包括1個節點。'''

net = nn.Sequential(
    nn.Linear(2,5),  # 輸入層與第一隱層結點數設置，全連接結構
    torch.nn.Sigmoid(),  # 第一隱層激活函數采用sigmoid
    nn.Linear(5,5),  # 第一隱層與第二隱層結點數設置，全連接結構
    torch.nn.Sigmoid(),  # 第一隱層激活函數采用sigmoid
    nn.Linear(5,2),  # 第二隱層與輸出層層結點數設置，全連接結構
    nn.Softmax(dim=1) # 由於有兩個概率輸出，因此對其使用Softmax進行概率歸一化，dim=1代表行歸一化
)

 print(net)

'''
Sequential(
  (0): Linear(in_features=2, out_features=5, bias=True)
  (1): Sigmoid()
  (2): Linear(in_features=5, out_features=5, bias=True)
  (3): Sigmoid()
  (4): Linear(in_features=5, out_features=2, bias=True)
  (5): Softmax(dim=1)
)'''

---

Configure Loss Function and Optimizer

note: torch.optim庫中封裝了許多常用的優化方法，這邊使用了最常用的隨機梯度下降來優化網絡參數。例子中使用了交叉熵損失作為代價函數，其實torch.nn中也封裝了許多代價函數，具體可以查看官方文檔。對於pytorch中各種損失函數的學習以及優化方法的學習將在后期進行補充。
配置損失函數和優化器的代碼如下所示：

# 配置損失函數和優化器
optimizer = torch.optim.SGD(net.parameters(),lr=0.01) # 優化器使用隨機梯度下降，傳入網絡參數和學習率
loss_func = torch.nn.CrossEntropyLoss() # 損失函數使用交叉熵損失函數

---

Model Training

神經網絡訓練過程大致如下：首先輸入數據，接着神經網絡進行前向傳播，計算輸出層的輸出，進而計算預先定義好的損失（如本例中的交叉熵損失），接着進行誤差反向傳播，利用事先設置的優化方法（如本例中的隨機梯度下降SGD）來更新網絡中的參數，如權值參數w和閾值參數b。接着反復進行上述迭代，達到最大迭代次數（num_epoch)或者損失值滿足某條件之后訓練停止，從而我們可以得到一個由大量數據訓練完成的神經網絡模型。模型訓練的代碼如下所示：

# 模型訓練
num_epoch = 10000 # 最大迭代更新次數
for epoch in range(num_epoch):
    y_p = net(x_t)  # 喂數據並前向傳播

    loss = loss_func(y_p,y_t.long()) # 計算損失
    '''
    PyTorch默認會對梯度進行累加，因此為了不使得之前計算的梯度影響到當前計算，需要手動清除梯度。
    pyTorch這樣子設置也有許多好處，但是由於個人能力，還沒完全弄懂。
    '''
    optimizer.zero_grad()  # 清除梯度
    loss.backward()  # 計算梯度，誤差回傳
    optimizer.step()  # 根據計算的梯度，更新網絡中的參數

    if epoch % 1000 == 0:
        print('epoch: {}, loss: {}'.format(epoch, loss.data.item()))
        
'''
每1000次輸出損失如下：
epoch: 0, loss: 0.7303197979927063
epoch: 1000, loss: 0.669952392578125
epoch: 2000, loss: 0.6142827868461609
epoch: 3000, loss: 0.5110923051834106
epoch: 4000, loss: 0.4233965575695038
epoch: 5000, loss: 0.37978556752204895
epoch: 6000, loss: 0.3588798940181732
epoch: 7000, loss: 0.3476340174674988
                ......
'''

print("所有樣本的預測標簽: \n",torch.max(y_p,dim = 1)[1])

'''
note：可以發現前100個標簽預測為0，后100個樣本標簽預測為1。因此所訓練模型可以正確預測訓練集標簽。
所有樣本的預測標簽: 
 tensor([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
        0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
        0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
        0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
        0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
        1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
        1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
        1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
        1, 1, 1, 1, 1, 1, 1, 1])
'''

---

網絡的保存和提取

'''兩種保存方式
第一種: 保存網絡的所有參數（包括網絡結構）
    torch.save(net,'net.pkl')
對應加載方式: net1 = torch.load('net.pkl')
第二種: 僅保存網絡中需要訓練的參數 ，即net.state_dict()，如權值參數w和閾值參數b。（不包括網絡結構）
    torch.save(net.state_dict(),'net_parameter.pkl')
對應加載方式: 
    加載時需要提供兩個信息: 
    第一: 網絡結構信息，需要先重新搭建和保存的網絡同樣的網絡結構。
    第二: 保存的網絡中的參數的信息，權值和閾值參數。
    具體加載方式如下:
    net = nn.Sequential(
    nn.Linear(2,5),  
    torch.nn.Sigmoid(),  
    nn.Linear(5,5),  
    torch.nn.Sigmoid(),  
    nn.Linear(5,2),  
    nn.Softmax(dim=1) 
    )
    net2.load_state_dict(torch.load('net_parameter.pkl')
    '''

本文參考-1

本文參考-2

附完整代碼

import torch
import torch.nn as nn

'''
使用正態分布隨機生成兩類數據
第一類有100個點，使用均值為2，標准差為1的正態分布隨機生成，標簽為0。
第二類有100個點，使用均值為-2，標准差為1的正態分布隨機生成，標簽為1。
torch.normal(tensor1,tensor2)
輸入兩個張量，tensor1為正態分布的均值，tensor2為正態分布的標准差。
torch.normal以此抽取tensor1和tensor2中對應位置的元素值構造對應的正態分布以隨機生成數據，返回數據張量。
'''

x1_t = torch.normal(2*torch.ones(100,2),1)
y1_t = torch.zeros(100)

x2_t = torch.normal(-2*torch.ones(100,2),1)
y2_t = torch.ones(100)

x_t = torch.cat((x1_t,x2_t),0)
y_t = torch.cat((y1_t,y2_t),0)

'''
搭建神經網絡，
輸入層包括2個節點，兩個隱層均包含5個節點，輸出層包括1個節點。
'''

net = nn.Sequential(
    nn.Linear(2,5),  # 輸入層與第一隱層結點數設置，全連接結構
    torch.nn.Sigmoid(),  # 第一隱層激活函數采用sigmoid
    nn.Linear(5,5),  # 第一隱層與第二隱層結點數設置，全連接結構
    torch.nn.Sigmoid(),  # 第一隱層激活函數采用sigmoid
    nn.Linear(5,2),  # 第二隱層與輸出層層結點數設置，全連接結構
    nn.Softmax(dim=1) # 由於有兩個概率輸出，因此對其使用Softmax進行概率歸一化
)

print(net)
'''
Sequential(
  (0): Linear(in_features=2, out_features=5, bias=True)
  (1): Sigmoid()
  (2): Linear(in_features=5, out_features=5, bias=True)
  (3): Sigmoid()
  (4): Linear(in_features=5, out_features=2, bias=True)
  (5): Softmax(dim=1)
)'''

# 配置損失函數和優化器
optimizer = torch.optim.SGD(net.parameters(),lr=0.01) # 優化器使用隨機梯度下降，傳入網絡參數和學習率
loss_func = torch.nn.CrossEntropyLoss() # 損失函數使用交叉熵損失函數

# 模型訓練
num_epoch = 10000 # 最大迭代更新次數
for epoch in range(num_epoch):
    y_p = net(x_t)  # 喂數據並前向傳播

    loss = loss_func(y_p,y_t.long()) # 計算損失
    '''
    PyTorch默認會對梯度進行累加，因此為了不使得之前計算的梯度影響到當前計算，需要手動清除梯度。
    pyTorch這樣子設置也有許多好處，但是由於個人能力，還沒完全弄懂。
    '''
    optimizer.zero_grad()  # 清除梯度
    loss.backward()  # 計算梯度，誤差回傳
    optimizer.step()  # 根據計算的梯度，更新網絡中的參數

    if epoch % 1000 == 0:
        print('epoch: {}, loss: {}'.format(epoch, loss.data.item()))


'''
torch.max(y_p,dim = 1)[0]是每行最大的值
torch.max(y_p,dim = 1)[0]是每行最大的值的下標，可認為標簽
'''
print("所有樣本的預測標簽: \n",torch.max(y_p,dim = 1)[1])