文 |AI_study
原标题:CNN Training With Code Example - Neural Network Programming Course
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:
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。
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>
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:
> 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。
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。
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。
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
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
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