PyTorch已為我們實現(xiàn)了大多數(shù)常用的非線性激活函數(shù)，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(shù)的例子：

在上面這個例子中，輸入是包含兩個正值、兩個負(fù)值的張量，對其調(diào)用ReLU函數(shù)，負(fù)值將取為0，正值則保持不變。

現(xiàn)在我們已經(jīng)了解了構(gòu)建神經(jīng)網(wǎng)絡(luò)架構(gòu)的大部分細節(jié)，我們來構(gòu)建一個可用于解決真實問題的深度學(xué)習(xí)架構(gòu)。上一章中，我們使用了簡單的方法，因而可以只關(guān)注深度學(xué)習(xí)算法如何工作。后面將不再使用這種方式構(gòu)建架構(gòu)，而是使用PyTorch中正常該用的方式構(gòu)建。

1．PyTorch構(gòu)建深度學(xué)習(xí)算法的方式

PyTorch中所有網(wǎng)絡(luò)都實現(xiàn)為類，創(chuàng)建PyTorch類的子類要調(diào)用nn.Module，并實現(xiàn)__init__和forward方法。在init方法中初始化層，這一點已在前一節(jié)講過。在forward方法中，把輸入數(shù)據(jù)傳給init方法中初始化的層，并返回最終的輸出。非線性函數(shù)經(jīng)常被forward函數(shù)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(xué)習(xí)架構(gòu)是如何用PyTrorch實現(xiàn)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(xiàn)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(shù)傳入來創(chuàng)建子類。init方法相當(dāng)于Python中的構(gòu)造器，super方法用于將子類的參數(shù)傳給父類，我們的例子中父類就是nn.Module。

2．不同機器學(xué)習(xí)問題的模型架構(gòu)

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(shù)據(jù)問題的模型從線性層開始，一直到長短期記憶（LSTM）層?；谝鉀Q的問題類別，最后一層是確定的。使用機器學(xué)習(xí)或深度學(xué)習(xí)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(yù)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(xù)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(shù)，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(wǎng)絡(luò)最后將使用softmax層。讓我們拋開數(shù)學(xué)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(shù)量樣例上的概率。在我們的例子中，將訓(xùn)練它預(yù)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(shù)

一旦定義好了網(wǎng)絡(luò)架構(gòu)，還剩下最重要的兩步。一步是評估網(wǎng)絡(luò)執(zhí)行特定的回歸或分類任務(wù)時表現(xiàn)的優(yōu)異程度，另一步是優(yōu)化權(quán)重。

優(yōu)化器（梯度下降）通常接受一個標(biāo)量值，因而loss函數(shù)應(yīng)生成一個標(biāo)量值，并使其在訓(xùn)練期間最小化。某些用例，如預(yù)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(shù)。即使在這樣的場景下，我們也需要把損失組合成一個優(yōu)化器可以最小化的標(biāo)量。最后一章將詳細討論把多個損失值組合成一個標(biāo)量的真實例子。

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

回歸問題經(jīng)常使用的loss函數(shù)是均方誤差（MSE）。它和前面一章實現(xiàn)的loss函數(shù)相同?？梢允褂肞yTorch中實現(xiàn)的loss函數(shù)，如下所示：

對于分類問題，我們使用交叉熵?fù)p失函數(shù)。在介紹交叉熵的數(shù)學(xué)原理之前，先了解下交叉熵?fù)p失函數(shù)做的事情。它計算用于預(yù)測概率的分類網(wǎng)絡(luò)的損失值，損失總和應(yīng)為1，就像softmax層一樣。當(dāng)預(yù)測概率相對正確概率發(fā)散時，交叉熵?fù)p失增加。例如，如果我們的分類算法對圖3.5為貓的預(yù)測概率值為0.1，而實際上這是只熊貓，那么交叉熵?fù)p失就會更高。如果預(yù)測的結(jié)果和真實標(biāo)簽相近，那么交叉熵?fù)p失就會更低。

下面是用Python代碼實現(xiàn)這種場景的例子。

為了在分類問題中使用交叉熵?fù)p失，我們真的不需要擔(dān)心內(nèi)部發(fā)生的事情——只要記住，預(yù)測差時損失值高，預(yù)測好時損失值低。PyTorch提供了loss函數(shù)的實現(xiàn)，可以按照如下方式使用。

PyTorch包含的其他一些loss函數(shù)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(shù)

Cross-entropy loss 交叉熵?fù)p失，用于二分類和多類別分類問題

NLL Loss 用于分類問題，允許用戶使用特定的權(quán)重處理不平衡數(shù)據(jù)集

NLL Loss2d 用于像素級分類，通常和圖像分割問題有關(guān)

4．優(yōu)化網(wǎng)絡(luò)架構(gòu)

計算出網(wǎng)絡(luò)的損失值后，需要優(yōu)化權(quán)重以減少損失，并改善算法準(zhǔn)確率。簡單起見，讓我們看看作為黑盒的優(yōu)化器，它們接受損失函數(shù)和所有的學(xué)習(xí)參數(shù)，并微量調(diào)整來改善網(wǎng)絡(luò)性能。PyTorch提供了深度學(xué)習(xí)中經(jīng)常用到的大多數(shù)優(yōu)化器。如果大家想研究這些優(yōu)化器內(nèi)部的動作，了解其數(shù)學(xué)原理，強烈建議瀏覽以下博客：

PyTorch提供的一些常用的優(yōu)化器如下：

?ADADELTA

?Adagrad

?Adam

?SparseAdam

?Adamax

?ASGD

?LBFGS

?RMSProp

?Rprop

?SGD

審核編輯 黃昊宇