Torch/Lua,哪种神经网络结构用于小批量训练？

Question

我还在努力在我的暹罗神经网络上实现小批量梯度更新.以前我有一个实现问题,这里已经正确解决了.

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个输入单元
• 3个隐藏单位
• 2个输出单位
• 余弦距离函数,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()类,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？

Answer 1

每个nn模块都可以使用小批量。有些仅适用于小批量，例如(Spatial)BatchNormalization。模块知道其输入必须包含多少个维度（假设为 D），并且如果模块接收 D+1 维张量，则它假定第一个维度是批量维度。例如，查看nn.Linear模块文档：

forward(input) 中给出的输入张量必须是向量（1D 张量）或矩阵（2D 张量）。如果输入是矩阵，则假定每一行是给定批次的输入样本。

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]

nn.Sequential好的，但是容器（ 、nn.Paralel和nn.ParallelTable其他）呢？容器本身不处理输入，它只是将输入（或其相应部分）发送到其包含的相应模块。ParallelTable例如，简单地将第 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次，则每个 input[i] （输入是一个表）必须是具有如上所述的批次维度的张量。

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)

那为什么会有呢nn.Sequencer？可以用它来代替吗？是的，但强烈不建议这样做。Sequencer 采用序列表并将模块独立地应用于表中的每个元素，不会提供加速。此外，它必须复制该模块，因此这种“批处理模式”的效率比在线（非批处理）训练要低得多。定序器被设计为循环网络的一部分，在您的情况下使用它没有意义。