备注

点击此处下载完整示例代码

神经网络 ¶

创建于：2025 年 4 月 1 日 | 最后更新：2025 年 4 月 1 日 | 最后验证：2024 年 11 月 5 日

神经网络可以使用 torch.nn 包构建。

现在，你已经对 autograd 有了一个大致的了解， nn 依赖于 autograd 来定义模型并区分它们。一个 nn.Module 包含层，以及一个 forward(input) 方法，该方法返回 output 。

例如，看看这个用于分类数字图像的网络：

卷积神经网络 ¶

它是一个简单的前馈网络。它接收输入，然后一层层地通过它，最后给出输出。

神经网络的典型训练过程如下：

定义具有一些可学习参数（或权重）的神经网络
遍历输入数据集
将输入通过网络处理
计算损失（输出与正确结果之间的差距）
将梯度反向传播到网络的参数中
更新网络的权重，通常使用简单的更新规则： weight = weight - learning_rate * gradient

定义网络 ¶

让我们定义这个网络：

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


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120)  # 5*5 from image dimension
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, input):
        # Convolution layer C1: 1 input image channel, 6 output channels,
        # 5x5 square convolution, it uses RELU activation function, and
        # outputs a Tensor with size (N, 6, 28, 28), where N is the size of the batch
        c1 = F.relu(self.conv1(input))
        # Subsampling layer S2: 2x2 grid, purely functional,
        # this layer does not have any parameter, and outputs a (N, 6, 14, 14) Tensor
        s2 = F.max_pool2d(c1, (2, 2))
        # Convolution layer C3: 6 input channels, 16 output channels,
        # 5x5 square convolution, it uses RELU activation function, and
        # outputs a (N, 16, 10, 10) Tensor
        c3 = F.relu(self.conv2(s2))
        # Subsampling layer S4: 2x2 grid, purely functional,
        # this layer does not have any parameter, and outputs a (N, 16, 5, 5) Tensor
        s4 = F.max_pool2d(c3, 2)
        # Flatten operation: purely functional, outputs a (N, 400) Tensor
        s4 = torch.flatten(s4, 1)
        # Fully connected layer F5: (N, 400) Tensor input,
        # and outputs a (N, 120) Tensor, it uses RELU activation function
        f5 = F.relu(self.fc1(s4))
        # Fully connected layer F6: (N, 120) Tensor input,
        # and outputs a (N, 84) Tensor, it uses RELU activation function
        f6 = F.relu(self.fc2(f5))
        # Gaussian layer OUTPUT: (N, 84) Tensor input, and
        # outputs a (N, 10) Tensor
        output = self.fc3(f6)
        return output


net = Net()
print(net)

您只需定义 forward 函数，而 backward 函数（计算梯度的地方）将自动为您定义，使用 autograd 函数中的任何 Tensor 操作即可。

模型的可学习参数由 net.parameters() 返回

params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1's .weight

让我们尝试一个随机的 32x32 输入。注意：此网络（LeNet）的预期输入大小为 32x32。要在 MNIST 数据集上使用此网络，请将数据集中的图像调整大小为 32x32。

input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

将所有参数的梯度缓冲区清零，并使用随机梯度进行反向传播：

net.zero_grad()
out.backward(torch.randn(1, 10))

备注

torch.nn 仅支持小批量。整个 torch.nn 包仅支持样本的小批量输入，而不是单个样本。

例如， nn.Conv2d 将接收一个 4D 张量 nSamples x nChannels x Height x Width 。

如果只有一个样本，只需使用 input.unsqueeze(0) 添加一个假的批次维度即可。

在继续之前，让我们回顾一下你迄今为止所看到的全部类。

回顾：

torch.Tensor - 支持自动微分操作的多元数组。也包含相对于张量的梯度。
nn.Module - 神经网络模块。方便封装参数，并提供将参数移动到 GPU、导出、加载等辅助工具。
nn.Parameter - 一种 Tensor，当作为模块的属性赋值时，会自动注册为参数。
autograd.Function - 实现自动微分操作的正向和反向定义。每个 Tensor 操作至少创建一个 Function 节点，该节点连接到创建 Tensor 的函数，并编码其历史记录。

到目前为止，我们已经涵盖了：

定义神经网络
处理输入和调用反向传播

还剩下：

计算损失
更新网络的权重

损失函数 ¶

损失函数接收一个（输出，目标）输入对，并计算一个值，该值估计输出与目标之间的距离。

在 nn 包下有几种不同的损失函数。一个简单的损失函数是： nn.MSELoss ，它计算输出和目标之间的均方误差。

例如：

output = net(input)
target = torch.randn(10)  # a dummy target, for example
target = target.view(1, -1)  # make it the same shape as output
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)

现在，如果您沿着 loss 的反向方向追踪，使用其 .grad_fn 属性，您将看到一个计算图，其外观如下：

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
      -> flatten -> linear -> relu -> linear -> relu -> linear
      -> MSELoss
      -> loss

因此，当我们调用 loss.backward() 时，整个图相对于神经网络参数进行微分，并且图中所有具有 requires_grad=True 的 Tensors 的 .grad Tensor 都会累积梯度。

为了说明，让我们跟随几个反向步骤：

print(loss.grad_fn)  # MSELoss
print(loss.grad_fn.next_functions[0][0])  # Linear
print(loss.grad_fn.next_functions[0][0].next_functions[0][0])  # ReLU

反向传播

要反向传播错误，我们只需做的是 loss.backward() 。不过，您需要清除现有的梯度，否则梯度将累积到现有的梯度上。

现在，我们将调用 loss.backward() ，看看在反向传播前后 conv1 的偏置梯度。

net.zero_grad()     # zeroes the gradient buffers of all parameters

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

现在，我们已经看到了如何使用损失函数。

标记为稍后阅读：

神经网络包包含各种模块和损失函数，这些是深度神经网络的基本构建块。完整的列表和文档在这里。

剩下的唯一要学习的就是：

更新网络的权重

更新权重

实践中最简单的更新规则是随机梯度下降（SGD）：

weight = weight - learning_rate * gradient

我们可以使用简单的 Python 代码来实现这一点：

learning_rate = 0.01
for f in net.parameters():
    f.data.sub_(f.grad.data * learning_rate)

然而，随着你使用神经网络，你希望使用各种不同的更新规则，如 SGD、Nesterov-SGD、Adam、RMSProp 等。为了实现这一点，我们构建了一个小型的包： torch.optim ，它实现了所有这些方法。使用它非常简单：

import torch.optim as optim

# create your optimizer
optimizer = optim.SGD(net.parameters(), lr=0.01)

# in your training loop:
optimizer.zero_grad()   # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step()    # Does the update

备注

观察到梯度缓冲区必须使用 optimizer.zero_grad() 手动设置为零。这是因为梯度在反向传播部分中已经解释了是累积的。

脚本总运行时间：（0 分钟 0.000 秒）

由 Sphinx-Gallery 生成的画廊