快速入门Pytorch

快速入门PyTorch

什么是PyTorch

1. 一个基于Python的机器学习框架
2. 两个主要特点:
   • 在GPUs上进行N维张量计算(如NumPy)
   • 用于训练深度神经网络的自动微分

前置知识—tensors的基本使用

tensor是pytorch的基本数据结构，他是一个高维矩阵，类似数组（arrays）。

查看Tensors的维度

x.shape()

⚠️ PyTorch的dim（维度）等价于 NumPy中的axis（轴）

创建Tensors

直接从数据中获取（比如：list 或者 numpy.ndarray）

x = torch.tensor([[1, -1], [-1, 1]])
x = torch.from_numpy(np.array([[1, -1], [-1, 1]]))

创建全是0或全是1的常数张量

x = torch.zeros([2, 2])   	 # [2, 2]指shape    第0维2列，第1维2列
x = torch.ones([1, 2, 5])    # [1, 2, 5]指shape    第0维1列，第1维2列，第2维5列

常用操作

支持常用的算术函数：

1. 加法：z = x + y
2. 减法：z = x - y
3. 幂运算：y = x.pow(2)
4. 求和：y = x.sum()
5. 平均：y = x.mean()

Transpose：将指定的两个维度转置：

x = torch.zeros([2, 3])
x.shape

x = x.transpose(0, 1)
x.shape

Squeeze：删除length = 1的指定维度

x = torch.zeros([1, 2, 3])
x.shape

x = x.squeeze(0)  # dim = 0
x.shape

x = torch.zeros([2, 1, 3])
x.shape

x = x.squeeze(1)  # dim = 1
x.shape

Unsqueeze：扩展一个维度

x = torch.zeros([2, 3])
x.shape

x = x.unsqueeze(1)  # dim = 1
x.shape

x = torch.zeros([3, 2])
x.shape

x = x.unsqueeze(2)  # dim = 2
x.shape

Cat：连接多个张量

x = torch.zeros([2, 1, 3])
y = torch.zeros([2, 3, 3])
z = torch.zeros([2, 2, 3])
w = torch.cat([x, y, z], dim=1)  # 维度1上相加
w.shape

x = torch.zeros([1, 2, 3])
y = torch.zeros([2, 2, 3])
z = torch.zeros([3, 2, 3])
w = torch.cat([x, y, z], dim=0)   # 维度0上相加
w.shape

数据类型

对模型和数据使用不同的数据类型会导致错误。

PyTorch和NumPy对比

类似的属性

许多函数也有相同的名称

计算设备

张量和模块将默认使用CPU计算。

使用.to()将张量移动到适当的设备。

CPU：

x = x.to('cpu')

GPU：

x = x.to('cuda')

检查您的计算机是否有NVIDIA GPU

torch.cuda.is_available()

多个GPUs: 指定 ‘cuda:0’, 'cuda:1 ', 'cuda:2 ', …

x = x.to('cuda:0')

为什么使用 GPUs?

• 以更多核心进行算术计算的并行计算
• What is a GPU and do you need one in Deep Learning? | by Jason Dsouza | Towards Data Science

梯度计算

x = torch.tensor([[1., 0.], [-1., 1.]], requires_grad=True)		 # ①
z = x.pow(2).sum()										     # ②
z.backward()											    # ③
x.grad													   # ④

神经网络的训练和测试

如何训练一个神经网络分为三步：定义神经、定义损失函数、定义优化算法。

一个神经网络完整的训练和测试过程包括：神经网络训练、神经网络验证、神经网络测试。神经网络训练和神经网络验证两部分不断迭代，训练好模型。使用训练好的网络进行测试。

下面具体介绍每个部分具体如何使用pytorch编写代码。

第一步-数据加载

使用pytorch的dataset和dataloader类处理和加载数据。

Dataset：存储数据样本和需要值

Dataloader：批量分组数据，支持多处理

"""使用示例"""
dataset = MyDataset(file)
dataloader = DataLoader(dataset, batch_size, shuffle=True)    # 训练时设置为 True  测试时设置为 False

自定义数据加载，根据需要将数据从磁盘中获取，如：类别，图像，路径等信息。

from torch.utils.data import Dataset, DataLoader

class MyDataset(Dataset):
	def __init__(self, file): 
    	self.data = ...               # 数据读取和处理
	def __getitem__(self, index):
		return self.data[index]		 # 每次返回一个样本
	def __len__(self):
    	return len(self.data)         # 返回数据集的大小
    

# 定义好的Dataset
dataset = MyDataset(file)
# 在DataLoader中加载数据
dataloader = DataLoader(dataset, batch_size=5, shuffle=False)

第二步-定义神经网络

线性层（全连接层）

Linear Layer (Fully-connected Layer)

import torch.nn as nn

nn.Linear(in_features, out_features)

左边输入维度为32，输出维度为64。Wx + b = y

查看全连接层的权重和偏置

layer = torch.nn.Linear(32, 64)

layer.weight.shape    # W

layer.bias.shape      # b

非线性激活函数

1. Sigmoid激活函数

   nn.Sigmoid()
   

   

2. ReLU激活函数

   nn.ReLU()
   

   

构建自己的神经网络

__init__()：初始化模型和定义层

forward()：计算神经网络的输出

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.net = nn.Sequential(
                   nn.Linear(10, 32),
                   nn.Sigmoid(),
                   nn.Linear(32, 1)
                   )
    def forward(self, x):
        return self.net(x)

使用Sequential等价于下面代码，Sequential将各个层串联起来

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.layer1 = nn.Linear(10, 32)
        self.layer2 = nn.Sigmoid(),
        self.layer3 = nn.Linear(32,1)
        
    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(out)
        out = self.layer3(out)
        return out

第三步-定义损失函数

1. 均方差损失函数（Mean Squared Error）：常用于回归任务（regression）

   criterion = nn.MSELoss()
   loss = criterion(model_output, expected_value)
   

2. 交叉熵损失函数（Cross Entropy）：常用于分类任务（classification）

   criterion = nn.CrossEntropyLoss()
   loss = criterion(model_output, expected_value)
   

第四步-定义优化算法

基于梯度的优化算法，调整网络参数以减少误差。

例如，随机梯度下降（Stochastic Gradient Descent, SGD）

optimizer = torch.optim.SGD(model.parameters(), lr, momentum = 0)

对于每批数据:

1. 调用optimizer.zero_grad()重置模型参数的梯度。
2. 调用loss.backward()反向传播预测损失的梯度。
3. 调用optimizer.step()来调整模型参数。

第五步-模型训练验证测试全过程

神经网络训练设置

dataset = MyDataset(file)                               # 通过MyDataset读取数据
tr_set = DataLoader(dataset, 16, shuffle=True)          # 将数据放入Dataloader
model = MyModel().to(device)                            # 构建模型并迁移到设备(cpu/cuda)
criterion = nn.MSELoss()                                # 设置损失函数
optimizer = torch.optim.SGD(model.parameters(), 0.1)    # 设置优化器

神经网络训练循环迭代

for epoch in range(n_epochs):                  # 遍历批次
    model.train()                              # 设置模型为训练模式
    for x, y in trian_loader:                  # 遍历训练集
        optimizer.zero_grad()                  # 设置梯度为0
        x, y = x.to(device), y.to(device)      # 移动数据到设备（GPU、CPU）
        pred = model(x)                        # 前向传播，计算输出
        loss = criterion(pred, y)              # 计算损失
        loss.backward()                        # 反向传播，计算梯度
        optimizer.step()                       # 使用优化器更新模型

神经网络验证循环迭代

model.eval()                                            # 设置模型为验证模式
total_loss = 0
for x, y in valid_loader:                               # 遍历验证集
    x, y = x.to(device), y.to(device)                   # 移动数据到设备（GPU、CPU）
    with torch.no_grad():                               # 禁用梯度计算
        pred = model(x)                                 # 前向传播，计算输出
        loss = criterion(pred, y)                       # 计算损失    
    total_loss += loss.cpu().item() * len(x)            # 累计损失
    avg_loss = total_loss / len(valid_loader.dataset)   # 计算平均损失    

神经网络测试（预测）循环迭代

model.eval()                           # 设置模型为验证模式
preds = []
for x in test_loader:                  # 遍历测试集
    x = x.to(device)                   # 移动数据到设备（GPU、CPU）
    with torch.no_grad():              # 禁用梯度计算
        pred = model(x)                # 前向传播，计算输出
        preds.append(pred.cpu())       # 记录预测结果

⚠️ model.eval(), torch.no_grad()

model.eval()：更改一些模型层的行为，如dropout和batch normalization。

torch.no_grad()：阻止计算被添加到梯度计算图中。通常用于防止对验证/测试数据的意外训练。

第六步-保存/加载训练好的模型

保存模型

torch.save(model.state_dict(), path)

加载模型

ckpt = torch.load(path)
model.load_state_dict(ckpt)

参考资料

Hongyi_Lee_dl_homeworks/Warmup/Pytorch_Tutorial_1.pdf at master · huaiyuechusan/Hongyi_Lee_dl_homeworks (github.com)

PyTorch实用教程（第二版） (tingsongyu.github.io)

李宏毅《机器学习/深度学习》2021课程（国语版本，已授权）

PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】

跟李沐学AI的个人空间-【完结】动手学深度学习 PyTorch版)

ter/Warmup/Pytorch_Tutorial_1.pdf)

PyTorch实用教程（第二版） (tingsongyu.github.io)

李宏毅《机器学习/深度学习》2021课程（国语版本，已授权）

PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】

跟李沐学AI的个人空间-【完结】动手学深度学习 PyTorch版)