CNN训练示例 | PyTorch系列（二十一）

文 |AI_study

原标题：CNN Training With Code Example - Neural Network Programming Course

• 准备数据
• 建立模型
• 训练模型
  • 计算 loss，梯度并更新权重
• 分析模型的结果

训练：前进传播之后我们要做的事情

在训练过程中，我们进行了前向传播 ，但是那又如何呢？我们假设我们得到了一个批次，并将其通过网络前向传递。一旦获得输出，我们就将预测输出与实际标签进行比较，并且一旦我们知道预测标签与实际标签的距离有多近，就可以通过网络中权重的近似值来估计网络中的权重到真实值（标签）。

所有这些都是针对单个批次的，我们将对每个批次重复此过程，直到涵盖训练集中的每个样本为止。在完成所有批次的此过程并传递训练集中的每个样本后，我们说一个epoch 已经完成。我们使用“ epoch”一词来表示一个涵盖整个训练集的时间段。

在整个训练过程中，我们会根据需要进行尽可能多的时期以达到我们期望的准确性水平。这样，我们可以执行以下步骤：

1. 从训练集中获取batch。
2. 将batch传递到网络。
3. 计算loss （预测值和真实值之间的差）。
4. 用网络权重计算loss 函数的梯度。
5. 使用梯度更新权重以减少loss。
6. 重复步骤1-5，直到完成一个epoch。
7. 重复步骤1-6，以达到最小loss所需的epoch次数。

我们已经完全知道如何执行步骤1和2。如果已经学习了深度学习基础知识系列，那么您知道我们使用loss函数来执行步骤3，并且您知道我们使用反向传播和优化算法来执行执行步骤4和5。步骤6和7只是标准的Python循环（训练循环）。让我们看看如何在代码中完成此操作。

训练过程

由于我们在上一节禁用了PyTorch的梯度跟踪功能，因此我们需要确保将其重新打开（默认情况下处于打开状态）。

> torch.set_grad_enabled(True)
<torch.autograd.grad_mode.set_grad_enabled at 0x15b22d012b0>

前向传播的准备

我们已经知道如何获取一个批并将其通过网络前向传播。让我们看看前向传播完成后的操作。

我们将从以下内容开始：

1. 创建我们的Network类的实例。
2. 创建一个数据加载器，该数据加载器可从我们的训练集中提供大小为100的批次。
3. 从这些批次之一中解压出图像和标签。

> network = Network()

> train_loader = torch.utils.data.DataLoader(train_set, batch_size=100)
> batch = next(iter(train_loader)) # Getting a batch
> images, labels = batch

接下来，我们准备通过网络向前传递我们的一批图像并获得输出预测。一旦我们有了预测张量，我们就可以使用预测和真实标签来计算损失。

一旦我们有损失，我们可以打印它，并检查正确的预测数量使用我们创建的前一篇文章的功能。

计算 Loss

为此，我们将使用PyTorch的nn.functional API中提供的cross_entropy() loss函数。一旦我们有了loss，我们就可以打印它，并使用我们创建的上一个帖子的功能检查正确的预测数。

> preds = network(images)
> loss = F.cross_entropy(preds, labels) # Calculating the loss

> loss.item()
2.307542085647583

> get_num_correct(preds, labels)
9

cross_entropy()函数返回一个标量值的张量，因此我们使用item()方法将loss打印为Python的数字。我们答对了100题中的9题，因为我们有10个预测类，这就是我们随机猜测的结果。

计算梯度

使用PyTorch计算梯度非常简单。因为我们的网络是一个PyTorch nn.Module，PyTorch在底层创建了一个计算图。当我们的张量沿着我们的网络向前流动时，所有的计算都加到图上了。然后PyTorch使用计算图计算loss函数相对于网络权值的梯度。

在我们计算梯度之前，让我们验证一下，我们的conv1层中目前没有梯度。梯度是每个层的权张量的grad (gradient的缩写)属性中可以得到的张量。

> network.conv1.weight.grad
None

为了计算梯度，我们调用loss 张量的backward()方法，如下:

loss.backward() # Calculating the gradients

现在，损失函数的梯度被存储在权重张量中。

> network.conv1.weight.grad.shape
torch.Size([6, 1, 5, 5])

优化器使用这些梯度来更新各自的权重。为了创建我们的优化器，我们使用了torch.optim 包，其中有许多优化算法实现，我们可以使用。我们将Adam 为例。

更新权重

对于Adam类构造函数，我们传递网络参数(这是优化器能够访问梯度的方式)，并传递学习率。

最后，我们所要做的更新权值是告诉优化器使用梯度步进方向的是loss函数的最小值。

optimizer = optim.Adam(network.parameters(), lr=0.01)
optimizer.step() # Updating the weights

当调用step()函数时，优化器使用存储在网络参数中的梯度来更新权重。这意味着，如果我们再次通过网络传递相同的批数据，我们的损失应该会减少。检查这个，我们可以看到这确实是这样的情况:

> preds = network(images)
> loss.item()

> loss = F.cross_entropy(preds, labels)
2.262690782546997

> get_num_correct(preds, labels)
15

使用单个批进行训练

我们可以将单批训练的代码总结如下:

network = Network()

train_loader = torch.utils.data.DataLoader(train_set, batch_size=100)
optimizer = optim.Adam(network.parameters(), lr=0.01)

batch = next(iter(train_loader)) # Get Batch
images, labels = batch

preds = network(images) # Pass Batch
loss = F.cross_entropy(preds, labels) # Calculate Loss

loss.backward() # Calculate Gradients
optimizer.step() # Update Weights

print('loss1:', loss.item())
preds = network(images)
loss = F.cross_entropy(preds, labels)
print('loss2:', loss.item())

输出

loss1: 2.3034827709198
loss2: 2.2825052738189697

下一步是构建训练循环

我们现在应该对培训过程有一个很好的了解。在下一集中，我们将看到如何通过构建训练循环来完成这个过程来扩展这些想法。

英文原文链接是：

https://deeplizard.com/learn/video/0VCOG8IeVf8