使用Pytorch訓(xùn)練two-head網(wǎng)絡(luò)的操作

更新時間：2021年05月28日 14:19:48 作者：XJTU-Qidong

這篇文章主要介紹了使用Pytorch訓(xùn)練two-head網(wǎng)絡(luò)的操作，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

之前有寫過一篇如何使用Pytorch實現(xiàn)two-head（多輸出）模型

在那篇文章里，基本把two-head網(wǎng)絡(luò)以及構(gòu)建講清楚了（如果不清楚請先移步至那一篇博文）。

但是我后來發(fā)現(xiàn)之前的訓(xùn)練方法貌似有些問題。

以前的訓(xùn)練方法：

之前是把兩個head分開進(jìn)行訓(xùn)練的，因此每一輪訓(xùn)練先要對一個batch的數(shù)據(jù)進(jìn)行劃分，然后再分別訓(xùn)練兩個頭。代碼如下：

   f_out_y0, _ = net(x0)
            _, f_out_y1 = net(x1)
            #實例化損失函數(shù)
            criterion0 = Loss()
            criterion1 = Loss()
            loss0 = criterion0(f_y0, f_out_y0, w0)
            loss1 = criterion1(f_y1, f_out_y1, w1)
            print(loss0.item(), loss1.item())
            #對網(wǎng)絡(luò)參數(shù)進(jìn)行初始化
            optimizer.zero_grad()
            loss0.backward()
            loss1.backward()
            #對網(wǎng)絡(luò)的參數(shù)進(jìn)行更新
            optimizer.step()

但是在實際操作中想到那這樣的話豈不是每次都先使用t=0的數(shù)據(jù)訓(xùn)練公共的表示層，再使用t=1的數(shù)據(jù)去訓(xùn)練。這樣會不會使表示層產(chǎn)生bias呢？且這樣兩步訓(xùn)練也很麻煩。

修改后的方法

使用之前訓(xùn)練方法其實還是對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的機(jī)理不清楚。事實上，在計算loss的時候每個數(shù)據(jù)點的梯度都是單獨計算的。

因此完全可以把網(wǎng)絡(luò)前向傳播得到結(jié)果按之前的順序拼接起來后再進(jìn)行梯度的反向傳播，這樣就可以只進(jìn)行一步訓(xùn)練，且不會出現(xiàn)訓(xùn)練先后的偏差。

代碼如下：

   f_out_y0, cf_out_y0 = net(x0)
            cf_out_y1, f_out_y1 = net(x1)
            #按照t=0和t=1的索引拼接向量
            y_pred = torch.zeros([len(x), 1])
            y_pred[index0] = f_out_y0
            y_pred[index1] = f_out_y1
            
   criterion = Loss()
            loss = criterion(f_y, y_pred, w) + 0.01 * (l2_regularization0 + l2_regularization1)
            #print(loss.item())
            viz.line([float(loss)], [epoch], win='train_loss', update='append')
            optimizer.zero_grad()
            loss.backward()
            #對網(wǎng)絡(luò)的參數(shù)進(jìn)行更新
            optimizer.step()

總結(jié)

two-head網(wǎng)絡(luò)前向傳播得到結(jié)果的時候是分開得到的，訓(xùn)練的時候通過拼接預(yù)測結(jié)果可以實現(xiàn)一次訓(xùn)練。

補(bǔ)充：Pytorch訓(xùn)練網(wǎng)絡(luò)的一般步驟

如下所示：

import torch 
print(torch.tensor([1,2,3],dtype=torch.float))#將一個列表強(qiáng)制轉(zhuǎn)換為torch.Tensor類型
print(torch.randn(5,3))#生成torch.Tensor類型的5X3的隨機(jī)數(shù)

1、構(gòu)建模型

2、定義一個損失函數(shù)

3、定義一個優(yōu)化器

4、將訓(xùn)練數(shù)據(jù)帶入模型得到預(yù)測值

5、將梯度清零

6、獲得損失

7、進(jìn)行優(yōu)化

import torch
from torch.autograd import Variable
 
#初步認(rèn)識構(gòu)建Tensor數(shù)據(jù)
def one():
    print(torch.tensor([1,2,3],dtype=torch.float))#將一個列表強(qiáng)制轉(zhuǎn)換為torch.Tensor類型
    print(torch.randn(5,3))#生成torch.Tensor類型的5X3的隨機(jī)數(shù)
    print(torch.zeros((2,3)))#生成一個2X3的全零矩陣
    print(torch.ones((2,3)))#生成一個2X3的全一矩陣
    a = torch.randn((2,3))
    b = a.numpy()#將一個torch.Tensor轉(zhuǎn)換為numpy
    c = torch.from_numpy(b)#將numpy轉(zhuǎn)換為Tensor
    print(a)
    print(b)
    print(c)
 
#使用Variable自動求導(dǎo)
def two():
    # 構(gòu)建Variable
    x = Variable(torch.Tensor([1, 2, 3]), requires_grad=True)
    w = Variable(torch.Tensor([4, 5, 6]), requires_grad=True)
    b = Variable(torch.Tensor([7, 8, 9]), requires_grad=True)
    # 函數(shù)等式
    y = w * x ** 2 + b
    # 使用梯度下降計算各變量的偏導(dǎo)數(shù)
    y.backward(torch.Tensor([1, 1, 1]))
    print(x.grad)
    print(w.grad)
    print(b.grad)

線性回歸例子：

import torch
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt
from torch import nn
 
x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
y = 3*x+10+torch.rand(x.size())
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression,self).__init__()
        self.Linear = nn.Linear(1,1)
    def forward(self,x):
        return self.Linear(x)
model = LinearRegression()
Loss = nn.MSELoss()
Opt = torch.optim.SGD(model.parameters(),lr=0.01)
for i in range(1000):
    inputs = Variable(x)
    targets = Variable(y)
    outputs = model(inputs)
    loss = Loss(outputs,targets)
    Opt.zero_grad()
    loss.backward()
    Opt.step()
model.eval()
predict = model(Variable(x))
plt.plot(x.numpy(),y.numpy(),'ro')
plt.plot(x.numpy(),predict.data.numpy())
plt.show()

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: