TorchLua中，哪种小批量训练适用的神经网络结构最广泛？

本文共计1030个文字，预计阅读时间需要5分钟。

我在我的俄罗神神经网络上努力实现小批量梯度更新。之前有一个实施问题，这里是+correctly+solved+here。现在，我意识到我的神神经网络架构中存在一个错误，这可能与我对正确实现的不足理解有关。

我还在努力在我的暹罗神经网络上实现小批量梯度更新.以前我有一个实施问题,那就是 correctly solved here.

现在我意识到我的神经网络架构中也存在一个错误,这与我对正确实现的不完全理解有关.

到目前为止,我总是使用非小批量梯度下降方法,其中我将训练元素逐个传递给渐变更新.现在,我想通过小批量实现渐变更新,首先是用N = 2个元素构成的小型游戏.

我的问题是：我应该如何改变我的暹罗神经网络的架构,使其能够处理一小批N = 2个元素而不是单个元素？

这是我的暹罗神经网络的(简化)架构：

nn.Sequential { [input -> (1) -> (2) -> output] (1): nn.ParallelTable { input |`-> (1): nn.Sequential { | [input -> (1) -> (2) -> output] | (1): nn.Linear(6 -> 3) | (2): nn.Linear(3 -> 2) | } |`-> (2): nn.Sequential { | [input -> (1) -> (2) -> output] | (1): nn.Linear(6 -> 3) | (2): nn.Linear(3 -> 2) | } ... -> output } (2): nn.CosineDistance }

我有：

> 2个相同的暹罗神经网络(上下)
> 6个输入单位
> 3个隐藏单位
> 2个输出单位
>余弦距离函数,用于比较两个并行神经网络的输出

这是我的代码：

perceptronUpper= nn.Sequential() perceptronUpper:add(nn.Linear(input_number, hiddenUnits)) perceptronUpper:add(nn.Linear(hiddenUnits,output_number)) perceptronLower= perceptronUpper:clone('weight', 'gradWeights', 'gradBias', 'bias') parallel_table = nn.ParallelTable() parallel_table:add(perceptronUpper) parallel_table:add(perceptronLower) perceptron = nn.Sequential() perceptron:add(parallel_table) perceptron:add(nn.CosineDistance())

如果我有一个需要1个元素的梯度更新函数,这个架构非常有效.如何修改它以让它管理一个小批量？

编辑：我可能应该使用nn.Sequencer() class,通过修改我的代码的最后两行：

perceptron:add(nn.Sequencer(parallel_table)) perceptron:add(nn.Sequencer(nn.CosineDistance())).

你们有什么感想？

每个nn模块都可以使用miniatches.有些只能使用微型计算机,例如(空间)BatchNormalization.模块知道其输入必须包含多少维度(假设为D),如果模块接收到D 1维张量,则假设第一维是批量维.例如,看看 nn.Linear module documentation：

The input tensor given in forward(input) must be either a vector (1D
tensor) or matrix (2D tensor). If the input is a matrix, then each row
is assumed to be an input sample of given batch.

function table_of_tensors_to_batch(tbl) local batch = torch.Tensor(#tbl, unpack(tbl[1]:size():totable())) for i = 1, #tbl do batch[i] = tbl[i] end return batch end inputs = { torch.Tensor(5):fill(1), torch.Tensor(5):fill(2), torch.Tensor(5):fill(3), } input_batch = table_of_tensors_to_batch(inputs) linear = nn.Linear(5, 2) output_batch = linear:forward(input_batch) print(input_batch) 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 [torch.DoubleTensor of size 3x5] print(output_batch) 0,3128 -1,1384 0,7382 -2,1815 1,1637 -3,2247 [torch.DoubleTensor of size 3x2]

好的,但容器怎么样(nn.Sequential,nn.Paralel,nn.ParallelTable等)？容器本身不处理输入,它只是将输入(或其相应的部分)发送到它包含的相应模块.例如,ParallelTable只是将第i个成员模块应用于第i个输入表元素.因此,如果您希望它处理批处理,则每个输入[i](输入是表格)必须是具有如上所述的批处理维度的张量.

input_number = 5 output_number = 2 inputs1 = { torch.Tensor(5):fill(1), torch.Tensor(5):fill(2), torch.Tensor(5):fill(3), } inputs2 = { torch.Tensor(5):fill(4), torch.Tensor(5):fill(5), torch.Tensor(5):fill(6), } input1_batch = table_of_tensors_to_batch(inputs1) input2_batch = table_of_tensors_to_batch(inputs2) input_batch = {input1_batch, input2_batch} output_batch = perceptron:forward(input_batch) print(input_batch) { 1 : DoubleTensor - size: 3x5 2 : DoubleTensor - size: 3x5 } print(output_batch) 0,6490 0,9757 0,9947 [torch.DoubleTensor of size 3] target_batch = torch.Tensor({1, 0, 1}) criterion = nn.MSECriterion() err = criterion:forward(output_batch, target_batch) gradCriterion = criterion:backward(output_batch, target_batch) perceptron:zeroGradParameters() perceptron:backward(input_batch, gradCriterion)

为什么会有nn.Sequencer呢？可以用一个吗？是的,但强烈建议不要这样做. Sequencer采用序列表并将模块应用于表中的每个元素,独立地不提供加速.此外,它必须复制该模块,因此这种“批处理模式”的效率远低于在线(非批处理)培训. Sequencer被设计成复发网的一部分,在你的情况下没有必要使用它.