還差一步之學習神經網路

上次提到了AlphaGo演算法就是蒙特卡洛樹搜索+神經網路，不服輸的陽傻為了戰勝元寶開始了神經網路的自學之路。。。

本次教程中元寶將會介紹神經網路中最基本的一個模型LeNet。本次教程的目的並不是為了讓大家深入的學習神經網路，而是給從沒有接觸過Pytorch環境以及神經網路的人提供一個上手的小例子。

代碼可以從下面地方下載：

這個LeNet在後天的教程中將會成為五子棋AlphaGo演算法中的神經網路部分。

接下來將會介紹：

如何安裝pytorch

MNIST

MNINST是LeCun提供的一個手寫數字數據集。Pytorch提供了下載以及使用MNIST的介面，但為了給大家看到機器學習的底層步驟，在這裡元寶

只是用pytorch來下載數據集，然後把它轉化成常用的numpy來手動來處理MNIST數據。

如何手寫一個神經網路

LeNet由2個卷積層與3個全連接層組成，下面的代碼copy自pytorch的官網教程。

通常來說在一個神經網路的class里，init函數中會定義這個神經網路用到的全部組件，比如conv1, conv2, fc1, fc2, fc3。 在forward函數中來定義網路結構比如這裡是兩層卷積，三層全連接。

訓練模型

在機器學習中經常會用到mini-bach，它的意思是我們每次隨機的取batch_size個數據一起訓練。這樣子局部的取平均可以加速我們的訓練。下面是我手寫的一個隨機取batch_size個數據的過程。它通過函數隨機的取得一個樣本，並把它加入到中。每當我們有batch_size個數據，我們調用函數來訓練這些數據。

注意到其中我們使用了一個函數，這個通知模型我們要開始訓練了，在使用dropout和batch_normalization中這一步是關鍵的。由於LeNet中並沒有dropout和batch_normalization所以這一步不是很關鍵，但這種書寫方式是一種良好的Pytorch習慣。

接下來的函數會幫助我們訓練一個batch的數據。

訓練過程由四部分組成：

檢驗模型

為了檢驗模型只要在驗證數據集上跑一邊就可以啦，很簡單的。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！