殿上欢,辰东全部小说,有声小说

PyTorch已為我們實現了大多數常用的非線性激活函數，我們可以像使用任何其他的層那樣使用它們。讓我們快速看一個在PyTorch中使用ReLU激活函數的例子：

在上面這個例子中，輸入是包含兩個正值、兩個負值的張量，對其調用ReLU函數，負值將取為0，正值則保持不變。

現在我們已經了解了構建神經網絡架構的大部分細節，我們來構建一個可用于解決真實問題的深度學習架構。上一章中，我們使用了簡單的方法，因而可以只關注深度學習算法如何工作。后面將不再使用這種方式構建架構，而是使用PyTorch中正常該用的方式構建。

1．PyTorch構建深度學習算法的方式

PyTorch中所有網絡都實現為類，創建PyTorch類的子類要調用nn.Module，并實現__init__和forward方法。在init方法中初始化層，這一點已在前一節講過。在forward方法中，把輸入數據傳給init方法中初始化的層，并返回最終的輸出。非線性函數經常被forward函數直接使用，init方法也會使用一些。下面的代碼片段展示了深度學習架構是如何用PyTrorch實現的：

如果你是Python新手，上述代碼可能會比較難懂，但它全部要做的就是繼承一個父類，并實現父類中的兩個方法。在Python中，我們通過將父類的名字作為參數傳入來創建子類。init方法相當于Python中的構造器，super方法用于將子類的參數傳給父類，我們的例子中父類就是nn.Module。

2．不同機器學習問題的模型架構

待解決的問題種類將基本決定我們將要使用的層，處理序列化數據問題的模型從線性層開始，一直到長短期記憶（LSTM）層。基于要解決的問題類別，最后一層是確定的。使用機器學習或深度學習算法解決的問題通常有三類，最后一層的情況通常如下。

·對于回歸問題，如預測T恤衫的銷售價格，最后使用的是有一個輸出的線性層，輸出值為連續的。

·將一張給定的圖片歸類為T恤衫或襯衫，用到的是sigmoid激活函數，因為它的輸出值不是接近1就是接近0，這種問題通常稱為二分類問題。

·對于多類別分類問題，如必須把給定的圖片歸類為T恤、牛仔褲、襯衫或連衣裙，網絡最后將使用softmax層。讓我們拋開數學原理來直觀理解softmax的作用。舉例來說，它從前一線性層獲取輸入，并輸出給定數量樣例上的概率。在我們的例子中，將訓練它預測每個圖片類別的4種概率。記住，所有概率相加的總和必然為1。

3．損失函數

一旦定義好了網絡架構，還剩下最重要的兩步。一步是評估網絡執行特定的回歸或分類任務時表現的優異程度，另一步是優化權重。

優化器（梯度下降）通常接受一個標量值，因而loss函數應生成一個標量值，并使其在訓練期間最小化。某些用例，如預測道路上障礙物的位置并判斷是否為行人，將需要兩個或更多損失函數。即使在這樣的場景下，我們也需要把損失組合成一個優化器可以最小化的標量。最后一章將詳細討論把多個損失值組合成一個標量的真實例子。

上一章中，我們定義了自己的loss函數。PyTorch提供了經常使用的loss函數的實現。我們看看回歸和分類問題的loss函數。

回歸問題經常使用的loss函數是均方誤差（MSE）。它和前面一章實現的loss函數相同。可以使用PyTorch中實現的loss函數，如下所示：

對于分類問題，我們使用交叉熵損失函數。在介紹交叉熵的數學原理之前，先了解下交叉熵損失函數做的事情。它計算用于預測概率的分類網絡的損失值，損失總和應為1，就像softmax層一樣。當預測概率相對正確概率發散時，交叉熵損失增加。例如，如果我們的分類算法對圖3.5為貓的預測概率值為0.1，而實際上這是只熊貓，那么交叉熵損失就會更高。如果預測的結果和真實標簽相近，那么交叉熵損失就會更低。

圖3.5

下面是用Python代碼實現這種場景的例子。

為了在分類問題中使用交叉熵損失，我們真得不需要擔心內部發生的事情——只要記住，預測差時損失值高，預測好時損失值低。PyTorch提供了loss函數的實現，可以按照如下方式使用。

PyTorch包含的其他一些loss函數如表3.1所示。

表3.1

L1 loss

通常作為正則化器使用；第4章將進一步講述

MSE loss

均方誤差損失，用于回歸問題的損失函數

Cross-entropy loss

交叉熵損失，用于二分類和多類別分類問題

NLL Loss