20210222 pytorch

深度学习之PyTorch实战（3）——实战手写数字识别 - 战争热诚 - 博客园

Pytorch学习之一：PyTorch基础概念 - 知乎

3D机器学习（2）：pytorch入门：pytorch优点，梯度下降法初步_朱攀乖的博客-CSDN博客_pytorch的优点

PyTorch 资源链接

• 图像分类
  • VGG
  • ResNet
  • DenseNet
  • MobileNetV2
  • ResNeXt
  • SqueezeNet
  • ShuffleNet
  • ShuffleNet V2
• 位姿估计
  • CPM: Convolutional Pose Machines
  • OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
• 物体检测
  • SSD 
  • Faster R-CNN
  • YoloV3
  • FPN
• 语义分割
  • DeepLabV3
  • PSPNet
  • DenseASPP
• 实例分割
  • Mask R-CNN

和tensorflow的区别

1.相同点

1. 开源
2. 都有个强大的爹（Google/Facebook）
3. 支持者众多，社区活跃
4. 均支持python（显然，pytorch是python first）

2.不同点

1. Tensorflow更倾向于工业应用，使用静态图计算，具有强大的移植性
2. Pytorch作为后起之秀，受到了众多研究型学者的宠爱，语法简便，利用动态图计算，开发周期通常会比Tensorflow短一些。

Keras本身不是框架，而是一个位于其他DeepLearning框架之上的高级API。目前它支持TensorFlow，Theano和CNTK。Keras是迄今为止启动和运行最快最简单的框架。定义神经网络是直观的，使用功能性API允许人们将层定义为函数。

而PyTorch像Keras一样，它也抽象了深度网络编程的大部分混乱部分。PyTorch介于Keras和TensorFlow之间，比Keras拥有更灵活、更好的控制力，与此同时用户又不必做任何疯狂的声明式编程。

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable

# Training settings
batch_size = 64

# MNIST Dataset
train_dataset = datasets.MNIST(root='./mnist_data/',
                               train=True,
                               transform=transforms.ToTensor(),
                               download=True)

test_dataset = datasets.MNIST(root='./mnist_data/',
                              train=False,
                              transform=transforms.ToTensor())

# Data Loader (Input Pipeline)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
                                           batch_size=batch_size,
                                           shuffle=True)

test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
                                          batch_size=batch_size,
                                          shuffle=False)


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.l1 = nn.Linear(784, 520)
        self.l2 = nn.Linear(520, 320)
        self.l3 = nn.Linear(320, 240)
        self.l4 = nn.Linear(240, 120)
        self.l5 = nn.Linear(120, 10)

    def forward(self, x):
        # Flatten the data (n, 1, 28, 28) --> (n, 784)
        x = x.view(-1, 784)
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        x = F.relu(self.l4(x))
        return F.log_softmax(self.l5(x), dim=1)
        #return self.l5(x)

model = Net()

optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

def train(epoch):
    # 每次输入barch_idx个数据
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = Variable(data), Variable(target)

        optimizer.zero_grad()
        output = model(data)
        # loss
        loss = F.nll_loss(output, target)
        loss.backward()
        # update
        optimizer.step()
        if batch_idx % 200 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

def test():
    test_loss = 0
    correct = 0
    # 测试集
    for data, target in test_loader:
        data, target = Variable(data, volatile=True), Variable(target)
        output = model(data)
        # sum up batch loss
        test_loss += F.nll_loss(output, target).item()
        # get the index of the max
        pred = output.data.max(1, keepdim=True)[1]
        correct += pred.eq(target.data.view_as(pred)).cpu().sum()

    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

for epoch in range(1,6):
    train(epoch)
    test()