pytorch系列 ---5以 linear_regression为例讲解神经网络实现基本步骤以及解读nn.Linear函数

古城微笑少年丶 2022-12-20 06:29 42阅读 0赞

本文主要讲述最简单的线性回归函数：  
y = w x + b y=wx+by=wx+b在pytorch的实现，主要包括**神经网络实现的基本步骤**和**nn.Linear的源码解读**。

### 1. nn.Linear 源码解读 ###

先看一下Linear类的实现：  
源代码网址:[https://pytorch.org/docs/stable/\_modules/torch/nn/modules/linear.html][https_pytorch.org_docs_stable_modules_torch_nn_modules_linear.html]

Linear继承于nn.Module,内部函数主要有`__init__`，`reset_parameters`, `forward`和`extra_repr`函数

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Rzc19kc3Nzc2Q_size_16_color_FFFFFF_t_70]

1.  `__init__(self, in_features, out_features, bias=True)`

*  in\_features：前一层网络神经元的个数
 *  out\_features： 该网络层神经元的个数  
    **以上两者决定了weight的形状`[out_features , in_features]`**
 *  bias: 网络层是否有偏置，默认存在，且维度为`[out_features ]`,若bias=False,则该网络层无偏置。

接下来看一下，输入该网络层的形状`(N, *, in_features)`，其中N为批量处理过成中每批数据的数量，\*表示，单个样本数据中间可以包含很多维度，但是单个数据的最后一个维度的形状一定是`in_features`.

经过该网络输出的形状为`(N, *, out_features)`,其中计算过程为：

\[ N , ∗ , i n \_ f e a t u r e s \] ∗ \[ o u t \_ f e a t u r e s , i n \_ f e a t u r e s \] T = \[ N , ∗ , o u t \_ f e a t u r e s \] \[N, \*, in\\\_\{features\}\] \* \{\[out\\\_\{features \}, in\\\_\{features\}\]\}^T = \[N, \*, out\\\_\{features\}\]\[N,∗,in\_features\]∗\[out\_features,in\_features\]T=\[N,∗,out\_features\]

接下来在看一下Linear包含的属性：  
从`__init__`函数中可以看出Linear中包含四个属性

*  in\_features: 上层神经元个数
 *  out\_features： 本层神经元个数
 *  weight：权重， 形状`[out_features , in_features]`
 *  bias: 偏置， 形状`[out_features]`

1.  `reset_parameters(self)`  
    参数初始化函数  
    在`__init__`中调用此函数，权重采用Xvaier initialization 初始化方式初始参数。
2.  `forward(self, input)`  
    在Module的`__call__`函数调用此函数，使得类对象具有函数调用的功能，同过此功能实现pytorch的网络结构堆叠。  
    具体实现方式请看下面两篇博客：

*  [https://blog.csdn.net/dss\_dssssd/article/details/83750838][https_blog.csdn.net_dss_dssssd_article_details_83750838]
 *  [https://blog.csdn.net/dss\_dssssd/article/details/82977170][https_blog.csdn.net_dss_dssssd_article_details_82977170]

在自己写自己的类结构是，继承于Module，然后主要实现`__init__`函数和`forward`函数即可，至于可能的参数初始化方式，在后面的文章中会讲到，在这只是用默认的初始化方式。

### 2. 结合代码讲解神经网络实现的基本步骤 ###

*  准备数据
 *  定义网络结构`model`
 *  定义损失函数
 *  定义优化算法 `optimizer`
 *  训练
    
     *  准备好tensor形式的输入数据和标签(可选)
     *  前向传播计算网络输出`output`和计算损失函数`loss`
     *  **反向传播更新参数**  
        以下三句话一句也不能少：
        
        1.  将上次迭代计算的梯度值清0  
            `optimizer.zero_grad()`
        2.  反向传播，计算梯度值  
            `loss.backward()`
        3.  更新权值参数  
            `optimizer.step()`
     *  保存训练集上的loss和验证集上的loss以及准确率以及打印训练信息。（可选
 *  图示训练过程中loss和accuracy的变化情况(可选)
 *  在测试集上测试

### 3. Linear\_Regression代码解读 ###

import torch
    import torch.nn as nn
    import numpy as np
    import matplotlib.pyplot as plt
    
    
    # Hyper-parameters 定义迭代次数， 学习率以及模型形状的超参数
    input_size = 1
    output_size = 1
    num_epochs = 60
    learning_rate = 0.001
    
    # Toy dataset  1. 准备数据集
    x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168], 
                        [9.779], [6.182], [7.59], [2.167], [7.042], 
                        [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)
    
    y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573], 
                        [3.366], [2.596], [2.53], [1.221], [2.827], 
                        [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)
    
    # Linear regression model  2. 定义网络结构 y=w*x+b 其中w的size [1,1], b的size[1,]
    model = nn.Linear(input_size, output_size)
    
    # Loss and optimizer 3.定义损失函数， 使用的是最小平方误差函数
    criterion = nn.MSELoss()
    # 4.定义迭代优化算法， 使用的是随机梯度下降算法
    optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  
    loss_dict = []
    # Train the model 5. 迭代训练
    for epoch in range(num_epochs):
        # Convert numpy arrays to torch tensors  5.1 准备tensor的训练数据和标签
        inputs = torch.from_numpy(x_train)
        targets = torch.from_numpy(y_train)
    
        # Forward pass  5.2 前向传播计算网络结构的输出结果
        outputs = model(inputs)
        # 5.3 计算损失函数
        loss = criterion(outputs, targets)
        
        # Backward and optimize 5.4 反向传播更新参数
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    
        
        # 可选 5.5 打印训练信息和保存loss
        loss_dict.append(loss.item())
        if (epoch+1) % 5 == 0:
            print ('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))
    
    # Plot the graph 画出原y与x的曲线与网络结构拟合后的曲线
    predicted = model(torch.from_numpy(x_train)).detach().numpy()
    plt.plot(x_train, y_train, 'ro', label='Original data')
    plt.plot(x_train, predicted, label='Fitted line')
    plt.legend()
    plt.show()
    
    # 画loss在迭代过程中的变化情况
    plt.plot(loss_dict, label='loss for every epoch')
    plt.legend()
    plt.show()

训练结果：  
每次迭代的损失函数

> Epoch \[5/60\], Loss: 1.8269  
> Epoch \[10/60\], Loss: 0.9979  
> Epoch \[15/60\], Loss: 0.6616  
> Epoch \[20/60\], Loss: 0.5250  
> Epoch \[25/60\], Loss: 0.4693  
> Epoch \[30/60\], Loss: 0.4463  
> Epoch \[35/60\], Loss: 0.4366  
> Epoch \[40/60\], Loss: 0.4322  
> Epoch \[45/60\], Loss: 0.4301  
> Epoch \[50/60\], Loss: 0.4288  
> Epoch \[55/60\], Loss: 0.4279  
> Epoch \[60/60\], Loss: 0.4271

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Rzc19kc3Nzc2Q_size_16_color_FFFFFF_t_70 1]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Rzc19kc3Nzc2Q_size_16_color_FFFFFF_t_70 2]

[https_pytorch.org_docs_stable_modules_torch_nn_modules_linear.html]: https://pytorch.org/docs/stable/_modules/torch/nn/modules/linear.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Rzc19kc3Nzc2Q_size_16_color_FFFFFF_t_70]: /images/20221120/14c07b97e29b41bda21c047362dab2b1.png
[https_blog.csdn.net_dss_dssssd_article_details_83750838]: https://blog.csdn.net/dss_dssssd/article/details/83750838
[https_blog.csdn.net_dss_dssssd_article_details_82977170]: https://blog.csdn.net/dss_dssssd/article/details/82977170
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Rzc19kc3Nzc2Q_size_16_color_FFFFFF_t_70 1]: /images/20221120/34bd50824a374d4ea8361db69c46fdb5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Rzc19kc3Nzc2Q_size_16_color_FFFFFF_t_70 2]: /images/20221120/f3ca09f8ccb143889078f3134a9ef392.png