pytorch实现深度神经网络DNN与卷积神经网络CNN

DNN概述

深度神经网络DNN来自人脑神经元工作的原理，通过在计算机中逻辑抽象出多个节点，接收处理并向后传递信息，实现计算机的自我学习，类比结构见下图：

该方法通过预测输出与实际值的差异不断调整节点参数，从而一步步调整整体预测效果，节点预测输出的过程称为前向传播，根据差异调整参数的过程称为反向传播，而又因为节点计算公式y=wx+b为线性的，如果每个节点都向后传递该值，那最终的输出也可以表示为wx+b，故要体现每个节点的特殊性，需要引入非线性处理，即激活函数，根据在该过程中对学习率步长的设置调整、更新参数依靠样本的选择等区别，产生了多种不同的优化算法。

一般的机器学习流程如下图：

DNN网络训练

首先导入一般需要的包

import torch.nn as nn
import torch
import pandas as pd
import numpy as np

所有参数和模型的文档都可以在官网查看，查找前记得在选项中选择自己使用pytorch的版本：

数据集导入

大致流程为：
1，使用pandas从文件中读取数据
2，将带标签的数据退化为数组，并转换类型
3，将数组转换为张量
4，数据搬到显卡上进行加速

代码分别如下：

df=pd.read_csv("文件路径")
arr=df.values.astype(np.float32)
ts=torch.tensor(arr)
ts=ts.to('cuda')

划分训练集与测试集

首先根据比例划分训练集与测试集大小，为了避免数据前后关联，最好打乱样本的顺序，然后分别按行读取样本到数据集集合中，代码如下：

tran_size=int(len(ts)*0.8) # 训练集大小，0.8为比例系数
test_size=len(ts)-tran_size # 测试集大小
ts=ts[torch.randperm(ts.size(0)),:] # 打乱数据
train_data=ts[:tran_size] # 训练集数据
test_data=ts[tran_size:] # 测试集数据

搭建网络

根据输入和输出特征搭建网络，需注意相邻网络的输入输出需对应，网络需继承nn.Module模块，继承后重写网络模型到初始化函数中，定义向前传播forward调用网络并返回预测，示例代码如下：

class DNN(nn.Module):def __init__(self):super(DNN, self).__init__() # 初始化父类self.network = nn.Sequential(nn.Linear(28*28, 512), # 第一层线性层nn.ReLU(), # 第一层激活函数nn.Linear(512, 1024), # 第二层线性层nn.Sigmoid(), # 第二层激活函数)def forward(self, x):x = self.network(x) # 第三层无激活函数return xDNN=DNN() # 创建网络对象实例

优化器算法

首先定义损失函数loss_fn，具体的选项见官方文档，然后设置学习速率learning_rate和optimizer优化器，通过torch.optim设置优化算法，示例代码如下：

loss_fn=nn.MSELoss()
learning_rate=0.001
optimizer=torch.optim.Adam(DNN.parameters(), lr=learning_rate)

训练网络

网络的训练往往要经过多次循环，所以通常先设置一个epochs循环次数，为了将学习成果可视化，一般也设置一个列表用于存储损失函数的变化过程，然后对数据的输入输出特征进行划分，将数据除最后一列的值作为输入，最后一列的值升级为二维作为输出，代码如下：

epochs=100
loss_list=[]x=train_data[: , : -1] # 取出所有行，除最后一列的所有列
y=train_data[: , -1].reshape((-1,1))   # 取出所有行，最后一列,升级为二维

最后在循环中计算前向传播预测值，使用损失函数计算损失，反向传播计算梯度，优化模型参数，最后清空梯度，示例代码如下：

for epoch in range(epochs):y_pred=DNN(x)loss=loss_fn(y_pred, y)loss.backward()         # 反向传播optimizer.step()        # 更新参数optimizer.zero_grad()   # 清空梯度缓存print(f"Epoch: {epoch}, Loss:{loss}")   # 打印当前epoch和损失值loss_list.append(loss.item())           # 将损失值添加到列表中

测试方法为：首先声明关闭梯度计算功能，将预测值与真实值进行比较，统计正确信息，示例代码如下：

with torch.no_grad(): # 关闭自动求导功能test_x=test_data[: , : -1]test_y=test_data[: , -1].reshape((-1,1))pred_y=DNN(test_x)

制作数据集DataSet

前面我们使用的是批量梯度下降，每次参数更新使用所有样本，为了提高训练效率，我们在实践中多使用小批量梯度下降，这要求我们分批加载数据，加上我们为了复用代码和更好地管理数据，数据集应该也使用框架管理起来，该功能可以借助DataSet实现。

我们的数据集必须继承DataSet类，同时要重写__init__加载数据集、__getitem__获取数据索引和__len__获取数总量方法，示例代码如下：

from torch.utils.data import Dataset, DataLoaderclass Data(Dataset):def __init__(self，filename):	# 根据文件路径加载数据集super(Data, self).__init__()df = pd.read_csv(filename)arr = df.values.astype(np.float32)ts = torch.tensor(arr)ts = ts.to('cuda')tran_size=int(len(ts)*0.8)ts=ts[torch.randperm(ts.size(0)),:]self.x=ts[:tran_size,:-1]self.y=ts[:tran_size,-1].reshape((-1,1))self.xlength=len(self.x)self.ylength=len(self.y)def __getitem__(self, index):return self.x[index], self.y[index]def __len__(self):return self.xlength,self.ylength

加载数据集时使用Data=Data("路径")创建数据集对象，train_size,test_size= len(dataset)读取文件长度，使用train_loader=DataLoader(dataset,batch_size=100,shuffle=True)和test_loader=DataLoader(dataset,batch_size=100,shuffle=False)分别读取训练集和测试集，shuffle表示是否洗牌，训练集可用，测试集无需洗牌。

使用该方法加载数据集，训练测试时直接可用for (x,y) in train_loader循环，因为其中已经包含了两个元素，代码更简洁。

CNN卷积神经网络

该网络顺应机器学习的图像处理潮流而生，传统神经网络需要将图像展为一列，该方式会忽略图像原本二维排布时的关系，更不必说如今的彩色图像可能有多个通道，传统方法更无法处理，基于保留临近位置像素点关系的想法，产生了卷积神经网络。

卷积核

该方法本质上是神经网络的变形，只是其表现形式有所区别，原本的权重w变成了卷积核，图像像素与卷积核逐位相乘求和，再进行偏置计算，原本的激活函数此时变成了池化层pool，直观展示如下：

构建网络时使用nn.Conv2d(输入通道数，输出通道，卷积核大小，填充，步长)来添加卷积层，由于卷积核的数值也是训练的一部分，故无需手动设置，由随机初始化完成，使用示例如下：

model = nn.Sequential(nn.Conv2d(1,20,5),nn.ReLU(),nn.Conv2d(20,64,5),nn.ReLU())

其他卷积层见官方文档。

池化层

该层功能与激活函数类似，用于获取特征，比如选出最大值，求平均等操作，如nn.MaxPool1d()，详见官方文档，可惜是英文的，而且信息量太大，每个函数都值得学一会。

输出尺寸计算

此外为了使图像与卷积核大小相符，增加了填充padding，和卷积核的移动步长stride，现在整合所有参数，输入图像尺寸(H,W)，卷积核大小(FH,FW)，填充p，步幅s，输出图像大小(OH,OW)的计算方法如下：

滤波器

彩色图像等多通道时使用相应通道数的卷积核即可，但此时卷积核又有了新的名字——滤波器Filter，即输入数据与滤波器通道设置为相同的值时，输出仍为一维，输出时再使用滤波器，即可实现升维。

经典网络

LeNet-5
AlexNet
GoogLeNet
ResNet

答疑—清空梯度

上次模型构建我们讨论了反向传播的具体作用，这次我又对清空梯度这步有了疑问，每个epoch梯度清空，那是否i多次实验彼此独立，又如何收敛呢？经过查询得出如下结论。

首先重申，清空的是梯度，而非模型参数，pytorch默认使用的是梯度累加的方法，即多次训练的梯度累加计算，并允许手动清零，该方式允许硬件条件不允许的项目使用小的batch_size，多次循环累加梯度可以实现较好的效果，而我们手动清零后可以避免多个数据集对模型参数优化的影响，实现全新的二次训练。

总结

本次算是初学pytorch的第二次实践，对于一些方法和原理有了更进一步的理解：
清空梯度避免干扰，小批量时可不清空；
继承方法建立模型和数据集；
卷积核用于保存图像空间上的相邻关系，池化层选特征；
多通道用滤波器降维，学习后再升维。

至此觉得可以算是入门了，但仍然路漫漫，学习网络模型结构的搭建，各种优化算法和损失函数，池化操作，步长卷积核大小的设置，这些的工作才是大头，此外将深度学习与什么相结合，这更是关键。