NEURAL NETWORKS
Neural Networks는 torch.nn 패키지를 사용해서 만들 수 있다.
매우 유명한 Yann Lecun의 LeNet-5 CNN 구조이다.
구조는 굉장히 간단하다.
32*32 필기체 숫자 이미지를 넣으면 Convolution layer와 Fully Connected layer를 거쳐 최종적으로 필기체로 쓴 숫자가 무엇인지 output이 출력된다.
이러한 뉴럴 네트워크 모델들이 학습이 되는 과정은 일반적으로 다음과 같다.
- 학습가능한 파라미터들로 이뤄진 뉴럴넷을 만든다.
- 반복적으로 입력 데이터셋을 뉴럴넷에 전달한다.
- 정답과 예측값 간 차이, 즉 loss를 계산한다.
- backpropagation 과정을 통해 뉴럴넷의 파라미터들의 각 gradient를 계산한다.
- 네트워크의 weights를 gradient로 업데이트 하는데, 일반적으로
weight = weight - learning_rate * gradient로 업데이트 해 나간다.
네트워크 정의하기
import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 6, 3)
self.conv2 = nn.Conv2d(6, 16, 3)
self.fc1 = nn.Linear(16*6*6, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
x = F.max_pool2d(F.relu(self.conv2(x)), 2) # pooling layer size가 정방형이면 single number로도 표현 가능
x = x.view(-1, self.num_flat_features(x)) # fully connected layer에 적용하기 위해 flat하게 변경
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self, x):
size = x.size()[1:]
num_features = 1
for s in size:
num_features *= s
return num_features
net = Net()
print(net)Net(
(conv1): Conv2d(1, 6, kernel_size=(3, 3), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(3, 3), stride=(1, 1))
(fc1): Linear(in_features=576, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=84, bias=True)
(fc3): Linear(in_features=84, out_features=10, bias=True)
)
지금까지 forward 방향의 네트워크 정의를 했다. 이제 autograd를 사용해서 gradient를 계산할 수 있도록 backward function 부분을 작성한다.
먼저, 학습가능한 파라미터를 확인하기 위해 net.parameters()를 호출한다.
params = list(net.parameters())
print(len(params))
print(params[0].size())10
torch.Size([6, 1, 3, 3])다음으로는 model에 전달할 input data를 만든다. 우리가 참고한 LeNet은 32*32를 input size로 하기때문에 32*32 size의 랜덤한 텐서를 생성하여 입력데이터로 사용한다.
input = torch.randn(1,1,32,32) #batch*channel*width*height
out = net(input)
print(out)tensor([[ 0.1464, 0.0673, -0.0185, 0.0048, 0.1427, -0.0866, -0.0237, -0.0991,
-0.0903, 0.0886]], grad_fn=<AddmmBackward>)모델에 input data를 전달하면 각 클래스에 대한 예측값을 출력한다.
이제 모든 파라미터에 대한 gradient buffer를 초기화하고 random gradients로 backprop한다.
net.zero_grad()
out.backward(torch.randn(1, 10))
지금까지 neural network를 정의하고 input data에 대한 처리와 backward 호출을 진행했다.
이제 loss를 계산하고 이 값을 토대로 weights를 업데이트 해주는 과정을 진행한다.
Loss function
loss function은 예측과 실제 정답 페어를 사용하여 예측이 실제 정답과 얼마나 멀리 있는지(틀렸는지)를 계산한다.
loss function의 형태는 여러가지로 정의될 수 있고, 자주 사용하는 loss function들은 nn package에서 제공한다.
output = net(input)
target = torch.randn(10) # 예시기 때문에 실제 정답도 랜덤 텐서 생성
target = target.view(1, -1)
criterion = nn.MSELoss()
loss = criterion(output, target)
print(loss)tensor(1.0942, grad_fn=<MseLossBackward>)Backprop
net.zero_grad()
print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)
loss.backward()
print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)conv1.bias.grad before backward
tensor([0., 0., 0., 0., 0., 0.])
conv1.bias.grad after backward
tensor([ 0.0065, -0.0078, -0.0014, 0.0151, -0.0079, 0.0074])Update the wieghts
매우 간단하게 업데이트 하는 방식은 다음과 같다.
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate) # sub_는 inplace 연산그러나 실제로 뉴럴넷에서 update를 하려면, 위 같은 방법이 아니라 SGD, Nesterov-SGD, Adam, RMSProp 등 다양한 방법들을 사용해서 gradient descent를 적용한다.
주로 사용하는 방법들은 torch.optim에서 제공하고 있다.
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.01)
optimizer.zero_grad() # optimizer 초기화
output = net(input)
loss = criterion(output, target) # loss function
loss.backward() # Backprop
optimizer.step() # parameters update
Uploaded by Notion2Tistory v1.1.0