使用PyTorch训练神经网络：torch.autograd

1. 神经网络背景

神经网络 (Neural Networks, NN) 是在输入数据上执行的嵌套函数的集合。这些函数由参数 (由权重 weights 和偏差 biases 组成) 定义，这些参数在PyTorch中存储在张量中。

训练神经网络分为两步：

• 正向传播：在正向传播中，神经网络对正确的输出结果尽力作出最佳猜测。输入数据要在神经网络中的每个函数都运行一遍，才能得出推理结果。
• 反向传播：在反向传播中，神经网络根据输出结果的误差来调整、纠正其网络参数。从输出结果开始，从后往前遍历，收集有关网络参数 (梯度) 的误差的导数，并使用梯度下降法优化网络参数。

2. 加载预训练模型(有重大更新)

最近 (2022年7月) 安装或者更新了 PyTorch 和 torchvision 的同志们可能跑代码时遇到了下面的报错：

• UserWarning: The parameter ‘pretrained’ is deprecated since 0.13 and will be removed in 0.15, please use ‘weights’ instead.

• UserWarning: Arguments other than a weight enum or None for ‘weights’ are deprecated since 0.13 and will be removed in 0.15. The current behavior is equivalent to passing weights=ResNet50_Weights.IMAGENET1K_V1. You can also use weights=ResNet50_Weights.DEFAULT to get the most up-to-date weights.

• Expected type ‘Optional[ResNet50_Weights]’, got ‘str’ instead

这是因为 torchvision 0.13对预训练模型加载方式作出了重大更新造成的。今天一次性就可以把上面3条Bug全部消灭。

从 torchvision 0.13开始，torchvision提供一个全新的多权重支持API (Multi-weight support API) ，支持将不同版本的权重参数文件加载到模型中。

2.1 新老版本写法对比

从 torchvision 0.13开始，加载预训练模型函数的参数从 pretrained = True 改为 weights=预训练模型参数版本 。且旧版本的写法将在未来的torchvision 0.15版本中被Deprecated 。

举个例子：

from torchvision import models

# 旧版本的写法，将在未来的torchvision 0.15版本中被Deprecated
model_old = models.resnet50(pretrained=True) # deprecated
model_old = models.resnet50(True) # deprecated

# torchvision 0.13及以后的新版本写法
model_new = models.resnet50(weights=models.ResNet50_Weights.DEFAULT)
# 没有预训练模型加载
model = models.resnet50(weights=None)
model = models.resnet50()

其中，第7行代码的 IMAGENET1K_V1 表示的是 ResNet-50 在 ImageNet 数据集上进行预训练的第一个版本的权重参数文件。是一个版本标识符。

2.2 新写法的好处

在旧版本的写法 pretrained = True 中，对于预训练权重参数我们没有太多选择的余地，一执行起来就要使用默认的预训练权重文件版本。但问题是，现在深度学习的发展日新月异，很快就有性能更强的模型横空出世。

而使用新版本写法 weights=预训练模型参数版本 ，相当于我们掌握了预训练权重参数文件的选择权。我们就可以尽情地使用更准更快更强更新的预训练权重参数文件，帮助我们的研究更上一层楼。

举个例子：

from torchvision import models

# 加载精度为76.130%的旧权重参数文件V1
model_v1 = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V1)
# 等价写法
model_v1 = models.resnet50(weights="IMAGENET1K_V1")

# 加载精度为80.858%的新权重参数文件V2
model_v2 = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V2)
# 等价写法
model_v1 = models.resnet50(weights="IMAGENET1K_V2")

如果你不知道哪个权重文件的版本是最新的，没关系，直接选择默认DEFAULT即可。官方会随着 torchvision 的升级而让 DEFAULT 权重文件版本保持在最新。如下代码所示：

from torchvision import models

# 如果你不知道哪个版本是最新, 直接选择默认DEFAULT即可
model_new = models.resnet50(weights=models.ResNet50_Weights.DEFAULT)

2.3 图像数据的预处理

在使用预训练模型之前，往往需要对输入图片进行预处理。但图片预处理的方式多种多样，且不同的模型之间的数据预处理方式也不一样，甚至同一个模型的不同版本之间的预处理方式都可能不相同。如果没有采用正确的预处理，可能将导致模型精度下降甚至输出错误结果。

基于这个背景，torchvision 很贴心地帮我们把每种模型的数据预处理方式都集成到其对于的模型权重文件中。这样，我们就可以很轻松地采用合适的方式对输入图片进行数据预处理了。通过 weights.transforms() 函数实现。

举个例子：

from torchvision import models

# 初始化预处理方式preprocess
weights = models.ResNet50_Weights.DEFAULT
preprocess = weights.transforms()

# 应用到输入图片img
img_transformed = preprocess(img)

2.4 训练模式和验证模式之间的转换

一些模块拥有不同的训练和验证过程，例如，batch normalization 。在 torchvision中，可以通过 train() 和 eval() 两个函数在训练和验证模式之间转换。

举个例子：

from torchvision import models

# 初始化模型
weights = models.ResNet50_Weights.DEFAULT
model = models.resnet50(weights=weights)

# 将模型切换至验证模式
model.eval()

3. 正向传播

首先来看训练的其中一个步骤：正向传播。

3.1 初始化输入数据、标签和模型

从 torchvision 加载ResNet-18的预训练模型。然后，创建一个形状为 $(3\times 64\times 64)$ 三维随机值张量来代表一张 $64\times 64$ 像素的三通道的彩色图片。其对应的标签 label 初始化为一个形状为 $(1,1000)$ 的随机张量。

shape = (1, 3, 64, 64)  # 三通道图片的形状，1是batch-size
img = torch.rand(shape).to('cuda')  # 三通道图片
label = torch.rand(1, 1000).to('cuda')  # 标签，对于1000个类别
model = models.resnet18(weights=models.ResNet18_Weights.DEFAULT).to('cuda')  # 创建ResNet-18模型并加载预训练权重参数

【注意】

如果想让GPU进行正向传播和反向传播的运算，则必须同时把输入图片 img 和神经网络模型 model 移动到GPU才行。

3.2 预测

接下来，输入图片 img 将通过模型的每一层神经网络，从而作出预测。这就是前向传播 (也叫正向传播) 。

# 前向传播，作出预测
prediction = model(img)

我们可以观察预测结果 prediction 的形状和所在设备：

print(f"Shape of prediction: {prediction.shape}")
print(f"Device of prediction: {prediction.device}")

输出：

Shape of prediction: torch.Size([1, 1000])
Device of prediction: cuda:0

4. 反向传播

4.1 计算损失函数

使用刚刚计算得到的预测结果 prediction 和输入图片对应的标签 label 来计算预测的误差，也称为损失函数 loss 。下一个步骤就是通过网络反向传播这个误差，当我们在误差张量上调用 .backward() 函数时，就开始反向传播。然后 Autograd 就会计算每个模型参数的梯度，并将这个梯度存储在参数的 .grad 属性中。

接着上面的例子：

loss = (prediction - labels).sum()  # 损失函数
loss.backward()  # 逆推计算

其中，为了对新手友好，这里的损失函数 loss 采用简单的与标签 labels 对应元素的查，再求和的方式来求。在后面实际中使用的损失函数大多数比这个复杂一些。

我们可以把误差 loss 打印出来看一下：

Loss result: -501.713134765625

4.2 加载优化器

紧接着，我们加载一个优化器 (optimizer) ，在这个例子中使用随机梯度下降法 SGD (Stochastic Gradient Descent) ，学习率 (learning rate) 为 0.01，动量 (momentum) 为 0.9 。把模型的所有参数都输入到优化器中：

optimizer = torch.optim.SGD(model.parameters(), lr=1e-2, momentum=0.9)

4.3 开始优化参数

最后一步，调用 .step() 方法来初始化随机梯度下降SGD。优化器 optimizer 会根据存储在 .grad 中的梯度来自动调整每个参数。

optimizer.step()  # 梯度下降

至此，恭喜你已经成功掌握了训练你的神经网络所需的所有技能。如果你还想了解 autograd 背后的机制和原理，请移步到这一篇博文。

完整训练步骤如下：

import torch
from torchvision import models

# 伪造输入图片
shape = (1, 3, 64, 64)  # 三通道图片的形状
img = torch.rand(shape).to('cuda')  # 三通道图片

# 伪造标签
labels = torch.rand(1, 1000).to('cuda')  # 标签

# 初始化模型
model = models.resnet18(weights=models.ResNet18_Weights.DEFAULT).to('cuda')  # 创建ResNet-18模型并加载预训练权重参数

# 前向传播，作出预测
prediction = model(img)

# 计算损失函数，反向传播
loss = (prediction - labels).sum()  # 损失函数
loss.backward()  # 逆推计算

# 加载优化器
optimizer = torch.optim.SGD(model.parameters(), lr=1e-2, momentum=0.9)

# 启动优化器
optimizer.step()  # 梯度下降

下一篇：【PyTorch教程】06-如何使用PyTorch搭建神经网络模型并进行训练