Deeplizard深度学习课程（七）—— 神经网络实验

 前言

        我们正在利用pytorch实现CNN。主要分为四个小部分：数据预处理、神经网络pytorch设计、训练神经网络 和 神经网络实验。

        在之前的章节中，我们已经完成了整个CNN框架的设计、训练与简单分析，本节将更进一步讨论神经网络处理过程中的细节问题，以便让我们能够有效地试验我们所构建的训练过程。

1. 优化超参数实验

   1.1 Run Builder类

        首先，我们希望构建一个 Run Builder 类，来实现上个博客最后一节的不同组合超参数实验。

from collections import OrderedDict
from collections import namedtuple
from itertools import productclass RunBuilder():@staticmethod  # 静态方法，默认第一个参数不需要接收类或实例；可以直接用类来调用这个方法，无需创建实例def get_runs(params):Run = namedtuple('Run', params.keys()) # 创建一个具有名字的元组，'Run'是元组名，params.keys()提取参数字典的键runs = []for v in product(*params.values()): # 笛卡尔积runs.append(Run(*v)) # 首先将笛卡尔积分别对应到Run元组中，然后再统一添加到list中return runshyperparam = dict(lr = [.01,.001],batch_size = [100,1000],
)runs = RunBuilder.get_runs(hyperparam) # 直接用类 调用方法
print(runs)
# [Run(lr=0.01, batch_size=100), Run(lr=0.01, batch_size=1000),
#  Run(lr=0.001, batch_size=100), Run(lr=0.001, batch_size=1000)]

        我们来看下之前的代码和现在的对比：

# Before
for lr, batch_size, shuffle in product(*param_values):comment = f'batch_size={batch_size} lr={lr} shuffle={shuffle}'
# 之前我们必须在for循环中列出所有的参数# After
for run in RunBuilder.get_runs(params):comment = f'-{run}'
# 现在不管有多少个参数，都可以自动生成注释

   1.2 同步大量超参数实验

        在上一个博客的代码中可以看到，我们现在的训练循环代码十分臃肿，我们希望将这个代码变得更加易扩展、易管理。因此除了1.1中构建的Run Builder类，还需构建一个Run Manager类。

        它将使得我们能够在每一个run中进行管理，一方面可以摆脱冗长的TensorBoard调用，另一方面可以增加一些其他的功能。当parameter和run的数量增多的时候，TensorBoard不再是一个可以查看结果的可行方案。RunManager将在每个执行过程中创建生命周期，还可以跟踪损失和正确的预测数，最终保存将运行结果。

import time
from collections import OrderedDict
from collections import namedtuple
from itertools import product
import torch.nn.functional as Ffrom CNN_network import Network,train_set
import torch.optim as optimimport pandas as pd
import torch
from IPython.core.display_functions import clear_output
from tensorboard.notebook import displayfrom torch.utils.tensorboard import SummaryWriterclass RunBuilder():@staticmethod  # 静态方法，默认第一个参数不需要接收类或实例；可以直接用类来调用这个方法，无需创建实例def get_runs(params):Run = namedtuple('Run', params.keys()) # 创建一个具有名字的元组，'Run'是元组名，params.keys()提取参数字典的键runs = []for v in product(*params.values()): # 笛卡尔积runs.append(Run(*v)) # 首先将笛卡尔积分别对应到Run元组中，然后再统一添加到list中return runs# hyperparam = dict(
# 	lr = [.01,.001],
# 	batch_size = [100,1000],
# )
#
# runs = RunBuilder.get_runs(hyperparam) # 直接用类 调用方法
# print(runs)
# # [Run(lr=0.01, batch_size=100), Run(lr=0.01, batch_size=1000),
# #  Run(lr=0.001, batch_size=100), Run(lr=0.001, batch_size=1000)]class RunManager():def __init__(self):self.start_time = None  # 计算运行时间self.run_params = None  # RunBuilder的返回值self.run_count = 0self.run_data = []# 记录网络、dataloader、tensorboard文件self.network = Noneself.loader = Noneself.tb = Noneself.epoch_count = 0  # epoch数self.epoch_loss = 0  # epoch对应lossself.epoch_num_correct = 0  # 每个epoch预测正确的树木self.epoch_start_time = None  # The start time of an epoch，对应 begin_epoch 和 end_epochdef begin_run(self, run ,network, loader):'''开始运行一次'''self.run_params = runself.start_time = time.time()self.run_count += 1self.tb = SummaryWriter(comment=f'{run}')self.network = networkself.loader = loaderimages, labels = next(iter(loader))self.tb.add_images('images', images)self.tb.add_graph(network, images)def begin_epoch(self):'''开始一个周期'''self.epoch_count += 1self.epoch_start_time = time.time()self.epoch_num_correct = 0self.epoch_loss = 0passdef end_epoch(self):'''结束一个周期，并计算loss等'''epoch_duration = time.time() - self.epoch_start_timerun_duration = time.time() - self.start_timeloss = self.epoch_loss / len(self.loader.dataset)accuracy = self.epoch_num_correct/len(self.loader.dataset)self.tb.add_scalar('Loss', loss, self.epoch_count)self.tb.add_scalar('Accuracy', accuracy, self.epoch_count)for name, weight in self.network.named_parameters():self.tb.add_histogram(name, weight, self.epoch_count)self.tb.add_histogram(f'{name}.grad', weight.grad, self.epoch_count)pass# 建立一个字典，记录所有中途结果，方便在tensorboard中查看分析results = OrderedDict(run=self.run_count,epoch=self.epoch_count,loss=loss,accuracy=accuracy,epoch_duration=epoch_duration,run_duration=run_duration)for k, v in self.run_params._asdict().items():results[k] = vself.run_data.append(results)df = pd.DataFrame.from_dict(self.run_data, orient='columns')clear_output(wait=True)display(df)passdef track_loss(self, loss,batch):'''记录损失'''self.epoch_loss += loss.item() * batch[0].shape[0]passdef track_num_correct(self, preds, labels):'''记录预测正确的数据'''self.epoch_num_correct += self.get_correct_num(preds, labels)def end_run(self):'''结束运行，并将epoch重新设置为0'''self.tb.close()self.epoch_count = 0@torch.no_grad()def _get_correct_num(self,predict, labels): #下划线代表是个内部方法，不被外部使用return predict.argmax(dim=1).eq(labels).sum().item()def save(self,filename):pd.DataFrame.from_dict(self.run_data, orient='columns').to_csv(f'{filename}'.csv, index=False)# 在这里修改参数
params = dict(lr = [.01,.001],batch_size = [100,1000],shuffle = [True,False]
)
manager = RunManager()for run in RunBuilder.get_runs(params):network = Network()train_loader = torch.utils.data.DataLoader(train_set, batch_size=run.batch_size)optimizer = optim.Adam(network.parameters(), lr=run.lr)manager.begin_run(run=run, network=network, loader=train_loader)for epoch in range(5):manager.begin_epoch()for batch in train_loader:images, labels = batchpredict = network(images) # Pass Batchloss = F.cross_entropy(predict, labels) # calculate lossmanager.track_loss(loss, batch)manager.track_num_correct(preds=predict, labels=labels)optimizer.zero_grad() # zero gradientloss.backward() # calculate gradientoptimizer.step() # updata weightspassmanager.end_epoch()manager.end_run()

   1.3 同步不同网络的实验

        这里我们可能还想对不同的网络进行测试，我们可以再定义一个NetworkFactory类，并将其添加到1.2的实验框架中。

Class NetworkFactory():@staticmethoddef get_network(name):if name == 'network1':return nn.Sequential(xxx)elif name == 'network2':return nn.Sequential(xxx)else:return Noneparams = dict(lr = [.01,.001],batch_size = [100,1000],shuffle = [True,False],network = ['network1','network2']device = ['mps','cpu']
)
manager = RunManager()for run in RunBuilder.get_runs(params):# 修改————————————————————————————————————————————————————————————network = NetworkFactory.get_network(run.network).to(device)# ———————————————————————————————————————————————————————————————train_loader = torch.utils.data.DataLoader(train_set, batch_size=run.batch_size)optimizer = optim.Adam(network.parameters(), lr=run.lr)manager.begin_run(run=run, network=network, loader=train_loader)for epoch in range(5):manager.begin_epoch()for batch in train_loader:images, labels = batchpredict = network(images) # Pass Batchloss = F.cross_entropy(predict, labels) # calculate lossmanager.track_loss(loss, batch)manager.track_num_correct(preds=predict, labels=labels)optimizer.zero_grad() # zero gradientloss.backward() # calculate gradientoptimizer.step() # updata weightspassmanager.end_epoch()manager.end_run()

2. 加速训练过程       

        现在需要考虑如何让训练/推理过程更快，特别是对于大规模的神经网络，这点尤为重要。

   2.1 Dataloader 多进程加速

        DataLoader 有一个 num_workers 参数，默认为 0，表示数据加载操作在主进程中进行。可以设置为大于 0 的数值来开启多个子进程。

        注意：num_workers 只影响数据加载阶段的时间。因此，并非 num_workers 越多越好。如果神经网络的前向传播（forward pass）和反向传播（backward pass）所消耗的时间，远大于加载一个 batch 数据所需的时间，那么将 num_workers 设置为1通常就足够了，因为数据加载的瓶颈并不在于此。

（加速的原理相当于主进程在执行fp和bp时，提前准备好数据，省去读取的时间）

loader = DataLoader(train_set, batch_size=64, num_workers= )

   2.2 使用 GPU 加速训练

        PyTorch允许我们在GPU和CPU之间实现数据的无缝转移，当我们想要把数据转去GPU时，我们使用to('cuda') / to('mps')，当我们使用cpu时，我们使用to('cpu')。做tensor运算时，需保持device的一致性。

        在神经网络中，我们的network和data都可以移动到gpu上，这样就无需再从cpu中调取数据。

import torch
from CNN_network import Network,train_setprint(torch.mps.is_available()) # 检查GPU的可用性：Truenetwork = Network()
# t = torch.tensor([1,1,28,28], dtype=torch.float)  注意这种写法是不对的
t = torch.randn(1, 1, 28, 28)   # 我们要随机生成一个shape为(1, 1, 28, 28)的tensor
t.to(float)# 使用cpu
device = torch.device('cpu')
t = t.to(device)
network = network.to(device)
cpu_pred = network(t)
print(cpu_pred.device) # 输出：cpu# 使用gpu
device = torch.device('mps')
t = t.to(device)  # 数据移至gpu
network = network.to(device) # 网络移至gpu
gpu_pred = network(t) 
print(gpu_pred.device) # 输出：mps:0

3. 标准化  Normalization

   3.1 数据标准化

        Normalization 也叫 feature scaling。因为我们经常会将不同的feature转换成相似的形状，保证整个数据集的均值为0，方差为1：

        一般我们在做数据标准化处理时，要考虑数据集大小问题，如果数据集太大，无法一次性载入内存，则需分批载入计算。

import torch
from matplotlib import pyplot as plt
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from CNN_network import Network,train_set
import torchvision# Easy way：将整个数据集一次性加载到内存中作为tensor调取，计算均值和方差
loader = DataLoader(train_set,batch_size=len(train_set)) # batch_size：一次性导入
data = next(iter(loader))
print(data[0].mean(),data[0].std())
# 输出：tensor(0.2860) tensor(0.3530)# Hard way：如果数据集太大无法一次性导入，就分批导入
loader = DataLoader(train_set,batch_size=1000)
num_of_pixels = len(train_set) * 28 * 28 #计算总共的像素点个数=样本数乘以宽和高
total_sum = 0
for batch in loader:  #一般batch会返回两个tensor：（image_tensor， label_tensor）！！！total_sum += batch[0].sum()
mean = total_sum / num_of_pixelssum_of_squard_error = 0
for batch in loader:sum_of_squard_error += ((batch[0] - mean).pow(2)).sum()
std = torch.sqrt(sum_of_squard_error / num_of_pixels)
print(mean,std) # tensor(0.2860) tensor(0.3530)

        下面我们将数据展平，看一下分布的直方图，并标注数据的均值。可以看到数据介于0～1之间，基本都集中在0左右，竖线为均值

plt.hist(data[0].flatten())
plt.axvline(data[0].mean())
plt.show()

        然后我们重新构建一个标准化之后的数据集，查看数据分布可以看到其均值为0，方差为1。这里要注意，因为我们是个灰度图像，颜色通道数为1；但是如果是RGB三通道，就需要对三个通道做分别的计算。

train_set_normal = torchvision.datasets.FashionMNIST(root='./data',download=True,train=True,transform=transforms.Compose([transforms.ToTensor(), # 要先转化为tensortransforms.Normalize(mean,std)  # 再做标准化] ))loader = DataLoader(train_set_normal,batch_size=len(train_set_normal))
data = next(iter(loader))
print(data[0].mean(),data[0].std()) #均值为0，方差为1 plt.hist(data[0].flatten(),color = 'orange')
plt.axvline(data[0].mean(),color = 'orange')
plt.show()

   3.2 网络层标准化

        3.1中我们介绍了对数据标准化的处理过程，现在我们不仅要对最开始传入的数据进行标准化，还想再层与层之间传递时，也进行标准化处理。在下图中可以看到这个标准化处理和3.1中稍有不同，多了一些参数。

import torch.nn as nn
torch.manual_seed(1)# 
sequential1 = nn.Sequential(nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5),nn.ReLU(),nn.MaxPool2d(2, 2),nn.BatchNorm2d(6),  # 二维标准化nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5),nn.ReLU(),nn.MaxPool2d(2, 2),nn.Flatten(start_dim=1),nn.Linear(in_features=12 * 4 * 4, out_features=120),nn.ReLU(),nn.BatchNorm1d(120),  # 一维标准化nn.Linear(in_features=120, out_features=60),nn.ReLU(),nn.Linear(in_features=60, out_features=10)
)

4. 一些其它补充

   4.1 Pytorch Sequential Model

        nn.Sequential 是 PyTorch 中的一个容器类 (torch.nn.Sequential)。它按顺序存储多个神经网络层或模块。其数据按顺序通过 Sequential 容器中定义的每一层，我们只需要提供一个层的列表（或 OrderedDict）。

        相较于我们之前Class Network的方式，其优点就是简洁，无需显式定义 forward 方法。而缺点就是只能处理简单的层与层之间严格的线性顺序连接。如果网络结构更复杂（例如，有跳跃连接 skip-connections，如 ResNet；或者需要在 forward 过程中进行分支、合并、条件处理等），Sequential 就无法胜任。

        对于之前的网络，我们是这样定义的：

class Network(nn.Module):  # 继承nn.Module基类def __init__(self):super().__init__() # 调用父类(nn.Module)的init，确保父类的属性被正确初始化# 卷积层self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5)self.conv2 = nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5)# 全连接层/线性层self.fc1 = nn.Linear(in_features=12 * 4 * 4, out_features=120)self.fc2 = nn.Linear(in_features=120, out_features=60)# 输出层self.out = nn.Linear(in_features=60, out_features=10)def forward(self,t):t = self.conv1(t)t = F.relu(t)t = F.max_pool2d(t, kernel_size=2, stride=2) # 池化不一定是有效的，可能会损失一些精度t = self.conv2(t)t = F.relu(t)t = F.max_pool2d(t, kernel_size=2, stride=2)t = t.reshape(-1,12*4*4)t = self.fc1(t)t = F.relu(t)t = self.fc2(t)t = F.relu(t)t =self.out(t)return t

        现在用nn.Sequential的方式来定义：

# nn.Sequential
import torch.nn as nn
torch.manual_seed(1)# 定义方式1
sequential1 = nn.Sequential(nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5),nn.ReLU(),nn.MaxPool2d(2, 2),nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5),nn.ReLU(),nn.MaxPool2d(2, 2),nn.Flatten(start_dim=1),nn.Linear(in_features=12 * 4 * 4, out_features=120),nn.ReLU(),nn.Linear(in_features=120, out_features=60),nn.ReLU(),nn.Linear(in_features=60, out_features=10)
)
sequential1 # 实例化# 定义方式2：定义OrderedDict字典
layers = OrderedDict([('conv1', nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5)),('relu1', nn.ReLU()),('maxpool1', nn.MaxPool2d(2, 2)),('conv2', nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5)),('relu2', nn.ReLU()),('maxpool2', nn.MaxPool2d(2, 2)),('flatten', nn.Flatten(start_dim=1)),('fc1', nn.Linear(in_features=12 * 4 * 4, out_features=120)),('relu3', nn.ReLU()),('fc2', nn.Linear(in_features=120, out_features=60)),('relu4', nn.ReLU()),('fc3_out', nn.Linear(in_features=60, out_features=10)),
])
sequential2 = nn.Sequential(layers)
sequential2 # 实例化# 定义方式3
sequential3 = nn.Sequential()
sequential3.add_module('conv1', nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5))
sequential3.add_module('relu1', nn.ReLU())
sequential3.add_module('maxpool1', nn.MaxPool2d(2, 2))
sequential3.add_module('conv2', nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5))
sequential3.add_module('relu2', nn.ReLU())
sequential3.add_module('maxpool2', nn.MaxPool2d(2, 2))
sequential3.add_module('flatten', nn.Flatten(start_dim=1))
sequential3.add_module('fc1', nn.Linear(in_features=12 * 4 * 4, out_features=120))
sequential3.add_module('relu3', nn.ReLU())
sequential3.add_module('fc2', nn.Linear(in_features=120, out_features=60))
sequential3.add_module('relu4', nn.ReLU())
sequential3.add_module('fc3_out', nn.Linear(in_features=60, out_features=10))sequential3 # 实例化

   4.2 重置网络权重

• 重置单个层的权重：

layer = nn.Linear(2,1)
layer.reset_parameters() # reset parameters

• 在网络中重置单个层的权重：

network = nn.Sequential(nn.Linear(2,1))
network[0].reset_parameters() # 通过索引来访问layer

• 重置网络中所有层的权重：

for module in network.children(): # .children()返回网络模型里的组成元素module.reset_parameters()

• 保存和载入权重

# 保存权重
torch.save(network.state_dict(), './weight/model.pth') # 载入权重
network.load_state_dict(torch.load('./weight/model.pth'))