神经网络
Autograd实现了反向传播功能，但是直接用来写深度学习的代码在很多情况下还是稍显复杂，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，可用来定义和运行神经网络。nn.Module是nn中最重要的类，可把它看成是一个网络的封装，包含网络各层定义以及forward方法，调用forward(input)方法，可返回前向传播的结果。下面就以最早的卷积神经网络：LeNet为例，来看看如何用nn.Module实现。LeNet的网络结构如图2-7所示。
这是一个基础的前向传播(feed-forward)网络: 接收输入，经过层层传递运算，得到输出。
定义网络：
定义网络时，需要继承nn.Module， 并实现它的forward方法，把网络中具有可学习参数的层放在构造函数__init__中。如果某一层（如relu）不具有可学习的参数，则既可以放在构造华南虎中，也可以不放， 但不建议放在其中，而在forward中使用nn.functional代替
import torch
import torch.nn.functional as f
class leNet(torch.nn.Module):
def __init__(self):
# nn.Module子类的函数必须在构造函数中执行父类的构造函数
# 下式等价于nn.Module.__init__(self)
super(leNet, self).__init__()
# 卷积层：'1'表示输入图片为单通道, '6'表示输出通道数，'5'表示卷积核为5*5
self.conv1 = torch.nn.Conv2d(1, 6, 5)
self.conv2 = torch.nn.Conv2d(6, 16, 5)
# 全连接层 y = Wx + b
self.fc1 = torch.nn.Linear(16*5*5, 120)
self.fc2 = torch.nn.Linear(120, 84)
self.fc3 = torch.nn.Linear(84, 10)
def forward(self, x):
# 卷积 -> 激活 -> 池化
x = torch.nn.functional.max_pool2d(torch.nn.functional.relu(self.conv1(x)), (2,2))
x = torch.nn.functional.max_pool2d(torch.nn.functional.relu(self.conv2(x)), 2)
# reshape，‘-1’表示自适应
x = x.view(x.size()[0], -1)
x = torch.nn.functional.relu(self.fc1(x))
x = torch.nn.functional.relu(self.fc2(x))
x = self.fc3(x)
return x
lenet = leNet()
print(lenet)
leNet(
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear(in_features=400, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=84, bias=True)
(fc3): Linear(in_features=84, out_features=10, bias=True)
)
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)。在forward 函数中可使用任何tensor支持的函数，还可以使用if、for循环、print、log等Python语法，写法和标准的Python写法一致。
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及名称。
parms = list(lenet.parameters())
print(len(parms))
10
for name, parameters in lenet.named_parameters():
print(name,':',parameters.size())
conv1.weight : torch.Size([6, 1, 5, 5])
conv1.bias : torch.Size([6])
conv2.weight : torch.Size([16, 6, 5, 5])
conv2.bias : torch.Size([16])
fc1.weight : torch.Size([120, 400])
fc1.bias : torch.Size([120])
fc2.weight : torch.Size([84, 120])
fc2.bias : torch.Size([84])
fc3.weight : torch.Size([10, 84])
fc3.bias : torch.Size([10])
forward函数的输入和输出都是Tensor。
input = torch.randn(1, 1, 32, 32)
out = lenet(input)
out.size()
torch.Size([1, 10])
lenet.zero_grad() # 所有参数的梯度清零
out.backward(torch.ones(1, 10)) # 反向传播
需要注意的是，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。例如 nn.Conv2d 输入必须是4维的，形如nSample ? nChannnels ? Height ? Width。可将nSample设为1，即1 ? nChannnels ? Height ? Width
损失函数
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
output = lenet(input)
target = torch.arange(0, 10).view(1, 10).float()
criterion = torch.nn.MSELoss()
loss = criterion(output, target)
loss # loss是个scalar
tensor(28.7743, grad_fn=<MseLossBackward0>)
如果对loss进行反向传播溯源(使用gradfn属性)，可看到它的计算图如下：
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss
当调用loss.backward()时，该图会动态生成并自动微分，也即会自动计算图中参数(Parameter)的导数。
# 运行.backward，观察调用之前和调用之后的grad
lenet.zero_grad() # 把lenet中所有可学习参数的梯度清零
print('反向传播之前 conv1.bias的梯度')
print(lenet.conv1.bias.grad)
loss.backward()
print('反向传播之后 conv1.bias的梯度')
print(lenet.conv1.bias.grad)
反向传播之前 conv1.bias的梯度
tensor([0., 0., 0., 0., 0., 0.])
反向传播之后 conv1.bias的梯度
tensor([-0.0891, -0.0052, -0.0706, 0.0699, 0.1144, -0.1100])
优化器
在反向传播计算完所有参数的梯度后，还需要使用优化方法来更新网络的权重和参数，例如随机梯度下降法（SGD）的更新策略如下：
weight = weight - learning_rate * gradient
手动实现如下:
learning_rate = 0.01
for f in lenet.parameters():
f.data.sub_(f.grad.data * learning_rate) # inplace减法
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，更便于使用，因此大多数时候并不需要手动写上述代码。
import torch.optim as optim
#新建一个优化器，指定要调整的参数和学习率
optimizer = torch.optim.SGD(lenet.parameters(), lr = 0.01)
# 在训练过程中
# 先梯度清零（与lenet.zero_grad()效果一样）
optimizer.zero_grad()
# 计算损失
output = lenet(input)
loss = criterion(output, target)
# 反向传播
loss.backward()
# 更新参数
optimizer.step()