【PyTorch学习-1】张量操作|自动求导|神经网络模块|优化器|数据加载与处理|GPU 加速...

【PyTorch学习-1】张量操作|自动求导|神经网络模块|优化器|数据加载与处理|GPU 加速…

【PyTorch学习-1】张量操作|自动求导|神经网络模块|优化器|数据加载与处理|GPU 加速…

---

---

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！

前言

PyTorch 是一个非常流行的深度学习框架，提供了灵活和易用的 API，支持张量计算、自动求导、构建神经网络、GPU 加速等。下面是 PyTorch 常用的语法和函数的全面介绍，涵盖张量操作、神经网络构建、优化器、自动求导、数据处理等。

1. PyTorch 常用库和模块

• 1.torch：核心模块，包含张量操作、数学计算、自动求导等功能。
• 2.torch.nn：神经网络相关的模块，提供各种层（如卷积、全连接等）和常用损失函数。
• 3.torch.optim：优化器模块，用于定义优化算法，如 SGD、Adam 等。
• 4.torch.autograd：自动求导模块，用于实现自动反向传播计算。
• 5.torch.utils.data：数据处理模块，包含 Dataset 和 DataLoader，用于处理和加载数据集。

2. 张量操作（Tensor）

张量是 PyTorch 的核心数据结构，类似于 NumPy 的数组，但可以在 GPU 上运行。

2.1 创建张量

• 通过 torch.tensor() 创建张量：

import torch
a = torch.tensor([1, 2, 3])
print(a)  # tensor([1, 2, 3])

• 创建随机数张量：

rand_tensor = torch.rand(3, 4)  # 3x4的随机数张量
print(rand_tensor)

2.2 张量的属性

• shape、dtype 和 device：

tensor = torch.rand(3, 4)
print(tensor.shape)  # 输出张量的形状
print(tensor.dtype)  # 数据类型
print(tensor.device) # 设备（CPU or GPU）

2.3 张量的操作

• 张量的数学运算，如加减乘除、矩阵乘法：

a = torch.tensor([1, 2])
b = torch.tensor([3, 4])
print(a + b)  # 加法
print(a * b)  # 乘法
print(a @ b.T)  # 矩阵乘法

• 维度变换：view()、reshape() 和 transpose() 用于改变张量形状：

x = torch.randn(4, 3)
y = x.view(3, 4)  # 改变形状
print(y)

• 索引和切片：

x = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(x[0])       # 选择第一行
print(x[:, 1])    # 选择第二列
print(x[1:, :])   # 选择从第二行开始的所有行

2.4 张量与 NumPy 的转换

• 从 torch.Tensor 转换为 numpy.array：

a = torch.ones(5)
b = a.numpy()
print(b)

• 从 numpy.array 转换为 torch.Tensor：

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(b)

3. 自动求导（Autograd）

PyTorch 中的 autograd 模块支持自动求导功能，即反向传播。

3.1 自动求导的基本操作

• requires_grad 标志用于启用对张量的梯度跟踪：

x = torch.tensor([2.0, 3.0], requires_grad=True)
y = x ** 2  # y = [4, 9]
y.backward(torch.tensor([1.0, 1.0]))  # 计算梯度
print(x.grad)  # 输出 x 的梯度

3.2 停止梯度追踪

在推理阶段或者某些计算中，我们不需要计算梯度，可以使用 torch.no_grad() 或 detach()。

• 使用 no_grad()：

with torch.no_grad():
    y = model(x)

• 使用 detach()：

x = torch.tensor([1.0], requires_grad=True)
y = x ** 2
z = y.detach()  # z 不会计算梯度

3.3 计算图与梯度累积

• 反向传播时，PyTorch 会默认将梯度累积到 grad 属性中，因此在每次反向传播之前，需要清零梯度：

optimizer.zero_grad()
loss.backward()
optimizer.step()

4. 神经网络模块（torch.nn）

PyTorch 提供了 torch.nn 模块，用于定义神经网络的层和损失函数。

4.1 定义神经网络模型

torch.nn.Module 是所有神经网络的基类，通常需要在类的 __init__ 方法中定义网络的层，在 forward() 方法中定义前向传播过程。

• 简单的前馈神经网络示例：

import torch.nn as nn

class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(10, 50)
        self.fc2 = nn.Linear(50, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = SimpleNet()

4.2 常用层

• 全连接层：torch.nn.Linear 用于实现全连接层。

fc = nn.Linear(in_features=10, out_features=5)

• 卷积层：torch.nn.Conv2d 用于实现二维卷积。

conv = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3)

• 激活函数：
  ReLU：torch.nn.ReLU()
  Sigmoid：torch.nn.Sigmoid()
  Tanh：torch.nn.Tanh()

• 池化层：torch.nn.MaxPool2d 和 torch.nn.AvgPool2d 用于池化操作。

pool = nn.MaxPool2d(kernel_size=2, stride=2)

4.3 损失函数

PyTorch 提供了多种常用的损失函数，如均方误差（MSE）、交叉熵损失（CrossEntropy）。

• 均方误差（MSE）损失函数：

loss_fn = nn.MSELoss()
loss = loss_fn(predicted_output, target_output)

• 交叉熵损失函数：

loss_fn = nn.CrossEntropyLoss()
loss = loss_fn(predictions, labels)

5. 优化器（torch.optim）

PyTorch 的 torch.optim 模块提供了多种优化算法，用于更新模型的参数。

5.1 常用优化器

• 随机梯度下降（SGD）：

optimizer = torch.optim.SGD(model.parameters(), lr=0.01, momentum=0.9)

• Adam 优化器：

optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

5.2 使用优化器

• 在每个训练迭代中，使用优化器更新模型参数的典型步骤：

optimizer.zero_grad()  # 清空梯度
loss.backward()  # 反向传播
optimizer.step()  # 更新参数

6. 数据加载与处理（torch.utils.data）

6.1 Dataset 类

torch.utils.data.Dataset 是数据集的抽象类，用户可以通过继承 Dataset 类来自定义数据集。

• 自定义数据集：

from torch.utils.data import Dataset

class CustomDataset(Dataset):
    def __init__(self, data, labels):
        self.data = data
        self.labels = labels

    def __len__(self):
        return len(self.data)

    def __getitem__(self, index):
        return self.data[index], self.labels[index]

6.2 DataLoader 类

torch.utils.data.DataLoader 用于将 Dataset 打包成可迭代的数据批次，并支持多线程加载。

• 使用 DataLoader：

from torch.utils.data import DataLoader

dataset = CustomDataset(data, labels)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)
for batch in dataloader:
    inputs, targets = batch

7. GPU加速

PyTorch 提供了对 GPU 的支持，可以使用 CUDA 设备加速计算。

7.1 检查是否支持 GPU

print(torch.cuda.is_available())

7.2 将模型和张量迁移到 GPU

• 将张量迁移到 GPU：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
tensor = tensor.to(device)

• 将模型迁移到 GPU：

model = model.to(device)

通过这份全面的 PyTorch 语法和函数介绍，你可以更好地掌握 PyTorch 的基本用法以及常用的深度学习相关功能。