pytorch
是一个动态的建图的工具。不像Tensorflow
那样,先建图,然后通过feed
和run
重复执行建好的图。相对来说,pytorch
具有更好的灵活性。
编写一个深度网络需要关注的地方是:
- 网络的参数应该由什么对象保存
- 如何构建网络
- 如何计算梯度和更新参数
数据放在什么对象中
pytorch
新版本(0.4之后)中只有一种变量类型,Tensor。
Tensor
: 就像ndarray
一样,一维Tensor
叫Vector
,二维Tensor
叫Matrix
,三维及以上称为Tensor
- 有两种Tensor,一个是requires_grad=False的,即:不需要计算其梯度的参数。一个是requires_grad=True,即:需要计算梯度的参数
import torch
x = torch.tensor([2,3,4], dtype=torch.float) # 创建一个Tensor,值为[2.,3.,4.],类型为 float
# 创建一个需要求 梯度的 tensor。
x2 = torch.tensor([2,3,4], dtype=torch.float, requires_grad=True)
x.size()
torch.Size([3])
tensor的一些操作
a.add_(b) # 所有带 _ 的operation,都会更改调用对象的值,
#例如 a=1;b=2; a.add_(b); a就是3了,没有 _ 的operation就没有这种效果,只会返回运算结果
torch.cuda.is_available()
True
自动求导
使用pytorch的自动求导 ∂ y / ∂ x \partial y/\partial x ∂y/∂x功能需要满足两个条件:
y.requires_grad==True
且x.requires_grad==True
- x 到 y的计算图不能在 torch.no_grad() 的 with block下
两个条件都很容易满足,只要将 x.requires_grad=True
,那么根据pytorch的运算规则(一op的两个输入进行运算,只要有一个的 requires_grad=True
,那么输出结果Tensor的requires_grad
一定为True)得到的 y 的 requires_grad
为True
import torch
x = torch.tensor([1,1,1,1,1], dtype=torch.float, requires_grad=True)
y = x * 2
grads = torch.FloatTensor([1,2,3,4,5])
y.backward(grads)#如果y是scalar的话,那么直接y.backward(),然后通过x.grad方式,就可以得到var的梯度
x.grad #如果y不是scalar,那么只能通过传参的方式给x指定梯度
Variable containing:
2
4
6
8
10
[torch.FloatTensor of size 5]
neural networks
使用torch.nn
包中的工具来构建神经网络
构建一个神经网络需要以下几步:
- 定义神经网络的
权重
,搭建网络结构 - 遍历整个数据集进行训练
- 将数据输入神经网络
- 计算loss
- 计算网络权重的梯度
- 更新网络权重
- weight = weight + learning_rate * gradient
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):#需要继承这个类
def __init__(self):
super(Net, self).__init__()
#建立了两个卷积层,self.conv1, self.conv2,注意,这些层都是不包含激活函数的
self.conv1 = nn.Conv2d(1, 6, 5) # 1 input image channel, 6 output channels, 5x5 square convolution kernel
self.conv2 = nn.Conv2d(6, 16, 5)
#三个全连接层
self.fc1 = nn.Linear(16*5*5, 120) # an affine operation: y = Wx + b
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x): #注意,2D卷积层的输入data维数是 batchsize*channel*height*width
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) # Max pooling over a (2, 2) window
x = F.max_pool2d(F.relu(self.conv2(x)), 2) # If the size is a square you can only specify a single number
x = x.view(-1, self.num_flat_features(x))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self, x):
size = x.size()[1:] # all dimensions except the batch dimension
num_features = 1
for s in size:
num_features *= s
return num_features
net = Net()
net
Net (
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear (400 -> 120)
(fc2): Linear (120 -> 84)
(fc3): Linear (84 -> 10)
)
len(list(net.parameters())) #为什么是10呢? 因为不仅有weights,还有bias, 10=5*2。
#list(net.parameters())返回的learnable variables 是按照创建的顺序来的
#list(net.parameters())返回 a list of torch.FloatTensor objects
10
input = Variable(torch.randn(1, 1, 32, 32))
out = net(input) #这个地方就神奇了,明明没有定义__call__()函数啊,所以只能猜测是父类实现了,并且里面还调用了forward函数
out #查看源码之后,果真如此。那么,forward()是必须要声明的了,不然会报错
out.backward(torch.randn(1, 10))
使用loss criterion 和 optimizer训练网络
torch.nn
包下有很多loss标准。同时torch.optimizer
帮助完成更新权重的工作。这样就不需要手动更新参数了
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate) # 有了optimizer就不用写这些了
import torch.optim as optim
# create your optimizer
optimizer = optim.SGD(net.parameters(), lr = 0.01)
# in your training loop:
optimizer.zero_grad() # 如果不置零,Variable 的梯度在每次 backward 的时候都会累加。
output = net(input) # 这里就体现出来动态建图了,你还可以传入其他的参数来改变网络的结构
loss = criterion(output, target)
loss.backward()
optimizer.step() # Does the update
整体NN结构
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):#需要继承这个类
def __init__(self):
super(Net, self).__init__()
#建立了两个卷积层,self.conv1, self.conv2,注意,这些层都是不包含激活函数的
self.conv1 = nn.Conv2d(1, 6, 5) # 1 input image channel, 6 output channels, 5x5 square convolution kernel
self.conv2 = nn.Conv2d(6, 16, 5)
#三个全连接层
self.fc1 = nn.Linear(16*5*5, 120) # an affine operation: y = Wx + b
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x): #注意,2D卷积层的输入data维数是 batchsize*channel*height*width
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) # Max pooling over a (2, 2) window
x = F.max_pool2d(F.relu(self.conv2(x)), 2) # If the size is a square you can only specify a single number
x = x.view(-1, self.num_flat_features(x))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self, x):
size = x.size()[1:] # all dimensions except the batch dimension
num_features = 1
for s in size:
num_features *= s
return num_features
net = Net()
# create your optimizer
optimizer = optim.SGD(net.parameters(), lr = 0.01)
# in your training loop:
for i in range(num_iteations):
optimizer.zero_grad() # zero the gradient buffers,如果不归0的话,gradients会累加
output = net(input) # 这里就体现出来动态建图了,你还可以传入其他的参数来改变网络的结构
loss = criterion(output, target)
loss.backward() # 得到grad,i.e.给Variable.grad赋值
optimizer.step() # Does the update,i.e. Variable.data -= learning_rate*Variable.grad
其它
- 关于求梯度,只有
requires_grad=True
的leaf tensor
的梯度会被放在.grad
属性中,其余 tensor 的梯度不会被保存在.grad
属性中(可以用retain_grad使得requires_grad=True
非leaf tensor的.grad
属性存储其梯度)
# numpy to Tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a) # 如果a 变的话, b也会跟着变,说明b只是保存了一个地址而已,并没有深拷贝
print(b) #
a = np.ones(5)
b = torch.from_numpy(a)# ndarray --> Tensor
a_ = b.numpy() # Tensor --> ndarray
np.add(a_, 1, out=a_) # 会影响 b 的值
# 将Tensor放到Cuda上
if torch.cuda.is_available():
x = x.to('cuda:0')
y = y.to('cuda:0')
x + y
# tensor 与 numpy
import torch
import numpy as np
n1 = np.array([1., 2.]).astype(np.float32)
t1 = torch.FloatTensor(n1)
print(t1)
# 使用 torch.FloatTensor(n1) 创建tensor,是深拷贝