#

批量标准化的 MNIST 实验

12import torch.nn as nn
13import torch.nn.functional as F
14import torch.utils.data
15
16from labml import experiment
17from labml.configs import option
18from labml_helpers.module import Module
19from labml_nn.experiments.mnist import MNISTConfigs
20from labml_nn.normalization.batch_norm import BatchNorm

#

型号定义

23class Model(Module):

#

28    def __init__(self):
29        super().__init__()

#

请注意，我们省略了 bias 参数

31        self.conv1 = nn.Conv2d(1, 20, 5, 1, bias=False)

#

具有 20 个通道的批量归一化（卷积层的输出）。此图层的输入将具有形状[batch_size, 20, height(24), width(24)]

34        self.bn1 = BatchNorm(20)

#

36        self.conv2 = nn.Conv2d(20, 50, 5, 1, bias=False)

#

使用 50 个通道进行批量归一化。此图层的输入将具有形状[batch_size, 50, height(8), width(8)]

39        self.bn2 = BatchNorm(50)

#

41        self.fc1 = nn.Linear(4 * 4 * 50, 500, bias=False)

#

使用 500 个通道进行批量归一化（完全连接层的输出）。此图层的输入将具有形状[batch_size, 500]

44        self.bn3 = BatchNorm(500)

#

46        self.fc2 = nn.Linear(500, 10)

#

48    def forward(self, x: torch.Tensor):
49        x = F.relu(self.bn1(self.conv1(x)))
50        x = F.max_pool2d(x, 2, 2)
51        x = F.relu(self.bn2(self.conv2(x)))
52        x = F.max_pool2d(x, 2, 2)
53        x = x.view(-1, 4 * 4 * 50)
54        x = F.relu(self.bn3(self.fc1(x)))
55        return self.fc2(x)

#

创建模型

我们使用MNISTConfigs 配置并设置一个新函数来计算模型。

58@option(MNISTConfigs.model)
59def model(c: MNISTConfigs):

#

66    return Model().to(c.device)

#

69def main():

#

创建实验

71    experiment.create(name='mnist_batch_norm')

#

创建配置

73    conf = MNISTConfigs()

#

装载配置

75    experiment.configs(conf, {
76        'optimizer.optimizer': 'Adam',
77        'optimizer.learning_rate': 0.001,
78    })

#

开始实验并运行训练循环

80    with experiment.start():
81        conf.run()

#

85if __name__ == '__main__':
86    main()