Блог

Этот пример дословно взят из документации PyTorch. Теперь у меня есть некоторый опыт глубокого обучения в целом, и я знаю, что должно быть очевидно, что forward вызов представляет собой прямой проход, проходящий через разные уровни и, наконец, достигающий конца, в данном случае с 10 выходами, затем вы берете выходные данные прямого прохода и вычисляете с loss использованием функции потерь одинопределено. Теперь я забыл, что именно вывод из forward() прохода дает мне в этом сценарии.

Я думал, что последним слоем в нейронной сети должна быть какая-то функция активации, например sigmoid() or softmax() , но я нигде не видел, чтобы они были определены, более того, когда я делал проект сейчас, я узнал, что softmax() это вызывается позже. Итак, я просто хочу уточнить, что именно outputs = net(inputs) дает мне эта ссылка, мне кажется, по умолчанию вывод прямого прохода модели PyTorch равен logits?

 transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x


net = Net()

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

for epoch in range(2):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs; data is a list of [inputs, labels]
        inputs, labels = data

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward   backward   optimize
        outputs = net(inputs)
        print(outputs)
        break
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss  = loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, ]] loss: %.3f' %
                  (epoch   1, i   1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')
 

мне кажется, по умолчанию выводом прямого прохода модели PyTorch является logits

Как я вижу из прямого прохода, да, ваша функция передает необработанный вывод

     def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x
 

Итак, где softmax? Прямо здесь:

 criterion = nn.CrossEntropyLoss()
 

Это немного замаскировано, но внутри этой функции обрабатывается вычисление softmax, которое, конечно, работает с необработанным выводом вашего последнего слоя

Это вычисление softmax:

где z_i — необработанные выходные данные нейронной сети

Итак, в заключение, в вашем последнем вводе нет функции активации, потому что она обрабатывается nn.CrossEntropyLoss классом

Ответ на вопрос, откуда берется необработанный вывод nn.Linear : необработанный вывод уровня нейронной сети представляет собой линейную комбинацию значений, поступающих от нейронов предыдущего уровня