问题

Question

问题

我正在尝试使用不同的方法（TensorFlow，PyTorch和从头开始）实现2层神经网络，然后根据MNIST数据集比较它们的性能。

我不确定我犯了什么错误，但是PyTorch的准确率只有大约10％，这基本上是随机猜测。我认为权重可能根本没有更新。

请注意，我有意使用TensorFlow提供的数据集，以通过3种不同的方法使我使用的数据保持一致，以进行准确比较。

from tensorflow.examples.tutorials.mnist import input_data
import torch

class Net(torch.nn.Module):
    def __init__(self):
      super(Net, self).__init__()
      self.fc1 =  torch.nn.Linear(784, 100)
      self.fc2 =  torch.nn.Linear(100, 10)

    def forward(self, x):
      # x -> (batch_size, 784)
      x = torch.relu(x)
      # x -> (batch_size, 10)
      x = torch.softmax(x, dim=1)
      return x

net = Net()
net.zero_grad()
Loss = torch.nn.CrossEntropyLoss()
optimizer =  torch.optim.SGD(net.parameters(), lr=0.01)

for epoch in range(1000):  # loop over the dataset multiple times

    batch_xs, batch_ys = mnist_m.train.next_batch(100)
    # convert to appropriate settins
    # note the input to the linear layer should be (n_sample, n_features)
    batch_xs = torch.tensor(batch_xs, requires_grad=True)
    # batch_ys -> (batch_size,)
    batch_ys = torch.tensor(batch_ys, dtype=torch.int64)

    # forward
    # output -> (batch_size, 10)
    output = net(batch_xs)
    # result -> (batch_size,)
    result = torch.argmax(output, dim=1)
    loss = Loss(output, batch_ys)

    # backward
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

Answer 1

这里的问题是您没有应用完全连接的层fc1和fc2。

您的forward()当前如下：

def forward(self, x):
    # x -> (batch_size, 784)
    x = torch.relu(x)
    # x -> (batch_size, 10)
    x = torch.softmax(x, dim=1)
    return x

因此，如果将其更改为：

def forward(self, x):
    # x -> (batch_size, 784)
    x = self.fc1(x)             # added layer fc1
    x = torch.relu(x)  

    # x -> (batch_size, 10)
    x = self.fc2(x)             # added layer fc2
    x = torch.softmax(x, dim=1)
    return x

应该可以。

关于Umang Guptas的回答：正如我所看到的，像机器人先生一样，在致电zero_grad()之前先致电backward()是很好的。这应该没问题。

编辑：

因此，我做了一个简短的测试-我设置了从1000到10000的迭代，以查看整体情况，如果它确实在减少。 （当然，我也将数据加载到了mnist_m，因为您发布的代码中未包含该数据）

我在代码中添加了打印条件：

if epoch % 1000 == 0:
    print('Epoch', epoch, '- Loss:', round(loss.item(), 3))

每1000次迭代输出损失：

Epoch 0 - Loss: 2.305
Epoch 1000 - Loss: 2.263
Epoch 2000 - Loss: 2.187
Epoch 3000 - Loss: 2.024
Epoch 4000 - Loss: 1.819
Epoch 5000 - Loss: 1.699
Epoch 6000 - Loss: 1.699
Epoch 7000 - Loss: 1.656
Epoch 8000 - Loss: 1.675
Epoch 9000 - Loss: 1.659

使用PyTorch 0.4.1版进行了测试

因此，您可以看到更改了forward()的网络现在正在学习，剩下的代码我都保持不变。

祝你好运！

PyTorch中的两层神经网络无法收敛

问题

1 个答案: