PyTorch 中的两层神经网络不收敛

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。

我不确定自己犯了什么错误，但在 PyTorch 中准确率只有 10% 左右，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，以便进行准确的比较。

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

这里的问题是你没有应用你的全连接层fc1 和fc2。

您的forward() 目前看起来像：

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

所以如果你把它改成：

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

它应该可以工作。

关于 Umang Guptas 的回答：在我看来，在调用 backward() 之前调用 zero_grad()，就像 Mr.Robot 所做的那样，就可以了。这应该不是问题。

---

编辑：

所以我做了一个简短的测试 - 我将迭代设置为从 1000 到 10000 以查看更大的图景，如果它真的在减少。 （当然我也将数据加载到mnist_m，因为这不包含在您发布的代码中）

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 迭代打印一次损失：

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 版测试

所以你可以看到随着 forward() 的改变，网络现在正在学习，其余的代码我保持不变。

祝你好运！