Torch7学习（三）——学习神经网络包的用法（1）

torch7学习（一）——Tensor

Torch7学习(二) —— Torch与Matlab的语法对比

Torch7学习（三）——学习神经网络包的用法（1）

Torch7学习（四）——学习神经网络包的用法（2）

Torch7学习（五）——学习神经网路包的用法（3）

Torch7学习（六）——学习神经网络包的用法（4）——利用optim进行训练

Torch7学习（七）——从neural-style代码中看自定义重载函数的训练方式

总说

torch7框架学习首先还是应该先看最基本的torch包中有什么。在我的前2篇博客torch7学习（一） 和torch7学习（二） 已经较为详细讲了。接下来要看的是神经网络包nn中的内容。可以说，当学习了神经网络包中的内容后，则能看懂给予torch框架的论文代码了，并且已经具备一定的用该框架书写神经网络的能力。

目的

看完这篇博客后，应该能进行最简单的自动训练方式。(⊙o⊙)…，我这样说感觉自己像是个写书的或是老师。

下面将根据不同模块进行介绍

Overview

首先对整个nn包进行总览。

神经网络是由不同模块组成。Module是抽象类，子类是container，而container又有三个构建神经网络最重要的子类：Sequential, Parallel和Concat，由这三类构成的神经网络中可以包含简单层,即Linear, Mean, Max和Reshape等，也包括卷积层还有激活函数Tanh, ReLU等。这些都会在后面分别介绍。

当然你上面只是说了如何构建神经网络，那么怎么进行训练呢？首先你要有一个损失函数，在就是

Criterion模块。损失函数众多，常用的由MSECriterion, ClassNLLCriterion，第一个就是均方误差MSE，第二个就是分类用的交叉熵。有了损失函数后，那么就要开始用算法进行训练了，训练的方式有很多种，有手动挡和自动挡。手动挡就是自己写如何更新权值，这个一般只针对只有简单层的网络，如果有卷积层的话，不太好写。自动挡就是直接调用内部的优化函数包optim来进行训练，当然了，推荐用自动挡啊。

初识Module

这里说的module是啥啊，就是模块啊，你把神经网络看成很多一小块一小块的模块组成的，有的小块是具有参数的，比如Linear或是卷积模块，有些是不带有参数的，比如Max或是Pooling。对于每个小块，总有输入吧，也有输出吧。那么对于那些具有参数的小块，则我们可以计算dLoss_dParams, 注意dLoss_dParams包含了2个，分别是dLoss_dWeight和dLoss_dBias。如果是不具有参数的小块，那么就没有dLoss_dParams了，不过二者都有dLoss_dInput和dLoss_dOutput。这个挺像matcovnet的思想的。如果没明白可以参考这个，Notes on MatConvNet ( I ) — Overview

Module是抽象类，包含了4个主要的函数：

1. forward(input) 根据输入计算该module的输出用的。

2. backward(input, gradOutput) 这里的gradOutput就是就是dLoss_dOutput。有了gradOutput和input就可以进行反向传播。值得注意的是，这里内部会计算dLoss_dParams和dLoss_dInput。一般来说只返回dLoss_dInput。事实上，一般来说我们最终要的是整个网络的权值，但是这个不用我们操心，我们也不用管如何更新。只要调用这个函数，则内部会更新网络权值。

3. zeroGradParameters() 这函数一般用于手动挡，自动挡一般用不到。后面会讲解

4. updateParameters(learningRate) 和上面函数一起用于手动挡，后面会讲解。

只有两个成员变量:output, gradInput。

最简单的自动挡(GSD)训练

这个训练很简单啊。不过对数据集有要求。

数据集有两点要求。首先dataset[index]返回第Index个数据。其次就是dataset:size()函数返回整个数据集的example的个数。

example有两个属性。第一个就是data和label。如果是分类，那么label就是数字，如果是MSECriterion，那么label就是GroundTruth对应的图像矩阵。

然后你就可以用最简单的自动挡了！

训练模板：

criterion = nn.MSECriterion()
trainer = nn.StochasticGradient(mlp,criterion)
-- setting trainer's params
trainer.learningRate = 0.001
trainer.maxIteration = 5
-- train
trainer:train(dataset)

训练神经网络共五步！

1. 加载数据。 这里要加入a:size()方法和运算符[]到trainset中，这两个是用最简单自动挡的前提！也要正规化数据。

2. 定义网络

3.定义损失函数

4. 训练

5. 测试

这里简单的自动挡训练代码

require 'nn'
require 'cunn'
require 'torch'
require 'cutorch'

-- load data
trainset = torch.load('cifar10-train.t7')
testset = torch.load('cifar10-test.t7')

setmetatable(trainset,{
__index = function(t,i)
return {t.data[i], t.label[i]}
end
});

function trainset:size()
return self.data:size(1)
end

-- transfer data to GPU
-- Lua cannot handle ByteTensor
trainset.data = trainset.data:cuda()
trainset.label = trainset.label:cuda()

-- normalize
meanv = {}
stdv  = {}
for i = 1,3 do
meanv[i] = trainset.data[ {{}, {i},{}, {}}]:mean()
trainset.data[ {{}, {i},{}, {}}]:add(-meanv[i])
print('mean'..i..'_'..meanv[i])

stdv[i] = trainset.data[ {{}, {i},{}, {}}]:std()
trainset.data[ {{}, {i},{}, {}}]:div(stdv[i])
print('std'..i..'_'..meanv[i])
end

------------------ Define Network

net = nn.Sequential()
net:add(nn.SpatialConvolution(3, 6, 5, 5)) -- 3 input image channels, 6 output channels, 5x5 convolution kernel
net:add(nn.ReLU())                       -- non-linearity
net:add(nn.SpatialMaxPooling(2,2,2,2))     -- A max-pooling operation that looks at 2x2 windows and finds the max.
net:add(nn.SpatialConvolution(6, 16, 5, 5))
net:add(nn.ReLU())                       -- non-linearity
net:add(nn.SpatialMaxPooling(2,2,2,2))
net:add(nn.View(16*5*5))                    -- reshapes from a 3D tensor of 16x5x5 into 1D tensor of 16*5*5
net:add(nn.Linear(16*5*5, 120))             -- fully connected layer (matrix multiplication between input and weights)
net:add(nn.ReLU())                       -- non-linearity
net:add(nn.Linear(120, 84))
net:add(nn.ReLU())                       -- non-linearity
net:add(nn.Linear(84, 10))                   -- 10 is the number of outputs of the network (in this case, 10 digits)
net:add(nn.LogSoftMax())

print(net)

----------------Define criterion-----------

criterion =  nn.ClassNLLCriterion()
---------------tranfer net and criterion to GPU-------

net = net:cuda()
criterion = criterion:cuda()
-----------------StochasticGradient with Criterion--
timer = torch.Timer()

trainer = nn.StochasticGradient(net, criterion)
trainer.learningRate = 0.001
trainer.maxIteration = 5
trainer:train(trainset)

-------------------test-------------
--Firstly, normalize testset
for i = 1,3 do
testset.data[{{},{i},{},{}}]:add(-meanv[i])
testset.data[{{},{i},{},{}}]:div(stdv[i])

end

testset.data = testset.data:cuda()
testset.label = testset.label:cuda()

--calculate accuracies
accuracies = {0,0,0,0,0,0,0,0,0,0}

for i=1,10000 do
predict = net:forward(trainset.data[i])
sampleLabel = trainset.label[i]
local confidences , indice = torch.sort(predict,true)
if indice[1] == sampleLabel then
accuracies[sampleLabel] = accuracies[sampleLabel]+1
end
end
-- start,end,step, different from matlab which with start, step, end
for i =1,10,1 do
print('accuracies: '..i..'_'..(accuracies[i])/10 ..'%')
end

print('Elapsed time:'..timer:time().real..'seconds')

--[[注意，如果用GPU的话，则3样东西一定要转换！ dataset, net和criterion.
否则，就就会出现问题。
]]

结果如下：

mean1_125.83173370361
std1_125.83173370361
mean2_123.26066589355
std2_123.26066589355
mean3_114.0306854248
std3_114.0306854248
nn.Sequential {
[input -> (1) -> (2) -> (3) -> (4) -> (5) -> (6) -> (7) -> (8) -> (9) -> (10) -> (11) -> (12) -> (13) -> output]
(1): nn.SpatialConvolution(3 -> 6, 5x5)
(2): nn.ReLU
(3): nn.SpatialMaxPooling(2x2, 2,2)
(4): nn.SpatialConvolution(6 -> 16, 5x5)
(5): nn.ReLU
(6): nn.SpatialMaxPooling(2x2, 2,2)
(7): nn.View(400)
(8): nn.Linear(400 -> 120)
(9): nn.ReLU
(10): nn.Linear(120 -> 84)
(11): nn.ReLU
(12): nn.Linear(84 -> 10)
(13): nn.LogSoftMax
}
# StochasticGradient: training
# current error = 2.2138581074953
# current error = 1.8626037351131
# current error = 1.6799513678432
# current error = 1.5545474862456
# current error = 1.4643953397989
# StochasticGradient: you have reached the maximum number of iterations
# training error = 1.4643953397989
accuracies: 1_34.2%
accuracies: 2_67%
accuracies: 3_30.6%
accuracies: 4_36.6%
accuracies: 5_31.6%
accuracies: 6_25%
accuracies: 7_68.2%
accuracies: 8_58%
accuracies: 9_72.7%
accuracies: 10_57.6%
Elapsed time:42.098989009857seconds

到此，应该能进行最简单的手动挡GSD的训练。后面将会用optim包进行更加专业更加自定义的训练方式。