Datawhale_PyTorch Task1

Task1

1.什么是PyTorch,为什么选择PyTroch?

什么是PyTorch,我们先来回答“PyTorch是什么”,简单的说,PyTorch就是一个深度学习框架,而反过来,深度学习的框架可不仅仅是Pytorch,好了,废话完了。来说说什么是PyTorch吧,网上已经有很多资料对Pytorch进行的详细的描述,自身能力有限,不能够详尽的描述出其定义,我主要通过网上开源的资料进入,结合自己的一些看法,选择性的进行定义的描述,有不对的地方希望大家能够补充。 要了解一个框架就应该八卦一下它,这样才能让人记忆深刻吧。 这个文章里就扒了TensorFlow和PyTorch的区别,举例来说,PyTorch更加容易学习和调试,而且Facebook也将之前开发的Torch和Caffe等框架往上边迁移,而且近期发布的1.1版本还原生支持了Tensorboard。那么我通过添加对逆命题添加两个限定条件来给个不学术的定义,易于学习的发展趋势迅猛的深度学习框架是PyTorch。

至于为什么要用PyTorch,主要是因为越来越读论文使用PyTorch实现并开源代码,选择PyTorch,这样我们就能愉快地搬砖了。

2.PyTorch的安装

Pytroch的安装,官网提供了4种安装方式,目前仅使用过conda和pip安装 。推荐使用conda安装,它会将需要的依赖都一并安装上,同时应该注意安装之前先用conda构建虚拟环境,这样你就有多个python2或者python3,Pyroch0.4.1或者PyTorch1.0的版本了。

3.配置Python环境

这里我使用Anaconda配置python环境,这里面集成了很多工具,同时也方便版本管理。首先下载安装包,然后在对应文件夹目录打开命令行工具通过下面的命令进行安装。

bash Anaconda***.sh

4.准备Python管理器

上面我已经安装了Anaconda就可以使用里面的conda工具进行虚拟环境以及依赖包的安装。

conda create --name py3.6 python=3.6
conda activate py3.6
conda list
conda install ×××

5.通过命令行安装PyTorch

同样接着上边,进入官网,选择机子环境后获取conda安装命令。

conda install pytorch torchvision cudatoolkit=10.0 -c pytorch

6.PyTorch基础概念

根据这篇文章的介绍,主要将PyTorch分为三个部分,数据处理、模型和损失及优化器。数据处理,在cv中,PyTorch有很好的vision库,transform很方便的对图像进行翻转旋转以及归一化等操作。模型,nn模块里集成了很多SOTA的模型,简单几行代码就能够使用已经训练过的模型。损失函数以及优化器,对不同的任务会使用不同的损失进行调优,而优化的算法自己也只是照搬的Adam优化,对这一部分了解不是很深入,等后续将文章里的资料详细了解之后再回来填坑。

7.通过代码实现流程(实现一个深度学习的代码流程)

自己没有造轮子的技能,就先按照官网的教程实现了一遍Mnist的分类

import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
​
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
​
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)
​
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)
​
classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
​
def imshow(img):
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()
​
​
# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()
​
# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
​
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)
​
    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x
​
​
net = Net()
​
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
​
for epoch in range(2):  # loop over the dataset multiple times
​
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs
        inputs, labels = data
​
        # zero the parameter gradients
        optimizer.zero_grad()
​
        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
​
        # print statistics
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0
​
print('Finished Training')
​
dataiter = iter(testloader)
images, labels = dataiter.next()
​
# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
​
outputs = net(images)
_, predicted = torch.max(outputs, 1)
​
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
                              for j in range(4)))
​
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
​
print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))
​
class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs, 1)
        c = (predicted == labels).squeeze()
        for i in range(4):
            label = labels[i]
            class_correct[label] += c[i].item()
            class_total[label] += 1
​
​
for i in range(10):
    print('Accuracy of %5s : %2d %%' % (
        classes[i], 100 * class_correct[i] / class_total[i]))
CPU 上训练
[1,  2000] loss: 2.217
[1,  4000] loss: 1.889
[1,  6000] loss: 1.667
[1,  8000] loss: 1.562
[1, 10000] loss: 1.517
[1, 12000] loss: 1.472
[2,  2000] loss: 1.397
[2,  4000] loss: 1.373
[2,  6000] loss: 1.326
[2,  8000] loss: 1.303
[2, 10000] loss: 1.294
[2, 12000] loss: 1.273
Finished Training
​
Accuracy of plane : 59 %
Accuracy of   car : 77 %
Accuracy of  bird : 43 %
Accuracy of   cat : 30 %
Accuracy of  deer : 51 %
Accuracy of   dog : 52 %
Accuracy of  frog : 77 %
Accuracy of horse : 59 %
Accuracy of  ship : 63 %
Accuracy of truck : 48 %
​
GPU 上训练
[1,  2000] loss: 2.194
[1,  4000] loss: 1.851
[1,  6000] loss: 1.691
[1,  8000] loss: 1.581
[1, 10000] loss: 1.535
[1, 12000] loss: 1.492
[2,  2000] loss: 1.397
[2,  4000] loss: 1.379
[2,  6000] loss: 1.347
[2,  8000] loss: 1.314
[2, 10000] loss: 1.302
[2, 12000] loss: 1.278
Finished Training
​
Accuracy of plane : 69 %
Accuracy of   car : 65 %
Accuracy of  bird : 43 %
Accuracy of   cat : 18 %
Accuracy of  deer : 50 %
Accuracy of   dog : 53 %
Accuracy of  frog : 55 %
Accuracy of horse : 66 %
Accuracy of  ship : 75 %
Accuracy of truck : 63 %

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值