介绍
torch 和 numpy
相同点: 张量(tensors),ndarrays类似
不同点: tensors可用GPU计算
改变维度:torch.view
reshape
属性: x.size()
&x.shape
y.shape
?
pytorch和lua底层都是torch
官方60分钟快速入门
1.张量
初始化
import torch
x = torch.empty(5,3) #torch.Size([5,3])
x = torch.rand(5,3)
x = torch.zeros(5,3,dtype=torch.long)
x = torch.tensor([1,2]) #torch.Size([2])
y = torch.ones_like(x)
x.copy_(y) #任何以_结尾的操作都会用结果替换原变量
x = torch.randn(4,4)
y = x.view(-1,8) #torch.Size([2,8]) , size -1 从其他维度推断
转换
#torch到numpy转换
a = torch.ones(5)
b = a.numpy()
#numpy到torch转换
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
torch tensor 与numpy 数组共享底层内存地址,修改一个另一个会变
CUDA张量
x = torch.randn(5,3)
if torch.cuda.is_available():
device = torch.device("cuda") #a CUDA 设备对象
y = torch.ones_like(x,device=device) #直接从GPU创建张量
x = x.to(device) #或者直接用.to("cuda") 将张量移动到cuda中
z = x + y
print(z)
print(z.to("cpu",torch.double))   #.to 也会对变量类型做改变
2.自动求导
x = torch.ones(2,2,requires_grad=True) #追踪张量计算历史
y = x + 2 #y已被计算出来, grad_fn自动生成
print(y.grad_fn)
z = y * y * 3
out = z.mean()
print(z, out)
out.backward() #自动计算所有梯度,此张量所有梯度累积到.grad属性
print(x.grad)
阻止张量追踪历史记录,可调用.detach()方法将其与计算历史记录剥离,为防止跟踪历史记录(使用内存),可将代码包装在with_torch.no_grad():
中
3.神经网络
import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 1 input image channel, 6 output channels, 5x5 square convolution
# kernel
self.conv1 = nn.Conv2d(1, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
# an affine operation: y = Wx + b
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
# Max pooling over a (2, 2) window
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# If the size is a square you can only specify a single number
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
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()
print(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(in_features=400, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=84, bias=True)
(fc3): Linear(in_features=84, out_features=10, bias=True)
)
在模型中必须要定义 forward 函数,可以在 forward 函数中使用任何针对 Tensor 的操作。backward 函数(用来计算梯度)会被autograd自动创建。 net.parameters()返回可被学习的参数(权重)列表和值
params = list(net.parameters())
print(len(params)) # 10
print(params[0].size()) # conv1's .weight torch.Size([6, 1, 5, 5])
测试随机输入32×32。 注:这个网络(LeNet)期望的输入大小是32×32,如果使用MNIST数据集来训练这个网络,请把图片大小重新调整到32×32。
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out) #tensor([[ 0.1120, 0.0713, 0.1014, -0.0696, -0.1210, 0.0084, -0.0206, 0.1366,-0.0455, -0.0036]], grad_fn=<AddmmBackward>)
将所有参数的梯度缓存清零,然后进行随机梯度的的反向传播:
net.zero_grad()
out.backward(torch.randn(1, 10))
概念复习:
torch.nn
只支持小批量输入。整个 torch.nn
包都只支持小批量样本,而不支持单个样本。例如,nn.Conv2d
接受一个4维的张量,每一维分别是sSamples * nChannels * Height * Width(样本数 * 通道数 *高 * 宽)。如果你有单个样本,只需使用 input.unsqueeze(0)
来添加其它的维数。
torch.Tensor
:一个用过自动调用 backward()实现支持自动梯度计算的 多维数组 , 并且保存关于这个向量的梯度 w.r.t.
nn.Module
:神经网络模块。封装参数、移动到GPU上运行、导出、加载等。
nn.Parameter
:一种变量,当把它赋值给一个Module时,被 自动 地注册为一个参数。
autograd.Function
:实现一个自动求导操作的前向和反向定义,每个变量操作至少创建一个函数节点,每一个Tensor的操作都回创建一个接到创建Tensor和 编码其历史的函数的Function节点。
损失函数
一个损失函数接受一对 (output, target) 作为输入,计算一个值来估计网络的输出和目标值相差多少。
output = net(input)
target = torch.randn(10) # 随机值作为样例
target = target.view(1, -1) # 使target和output的shape相同
criterion = nn.MSELoss()
loss = criterion(output, target) # tensor(0.8109, grad_fn=<MseLossBackward>)
print(loss)
现在,如果在反向过程中跟随loss , 使用它的 .grad_fn 属性,将看到如下所示的计算图。
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss
当我们调用 loss.backward()时,整张计算图都会 根据loss进行微分,而且图中所有设置为requires_grad=True的张量 将会拥有一个随着梯度累积的.grad 张量。
print(loss.grad_fn) # MSELoss
print(loss.grad_fn.next_functions[0][0]) # Linear
print(loss.grad_fn.next_functions[0][0].next_functions[0][0]) # ReLU
反向传播
调用loss.backward()
获得反向传播的误差。但是在调用前需要清除已存在的梯度,否则梯度将被累加到已存在的梯度。现在,我们将调用loss.backward(),并查看conv1层的偏差(bias)项在反向传播前后的梯度。
net.zero_grad() # 清除梯度
print('conv1.bias.grad before backward') # conv1.bias.grad before backward
print(net.conv1.bias.grad) # tensor([0., 0., 0., 0., 0., 0.])
loss.backward()
print('conv1.bias.grad after backward') # conv1.bias.grad after backward
print(net.conv1.bias.grad) # tensor([ 0.0051, 0.0042, 0.0026, 0.0152, -0.0040, -0.0036])
更新权重
在实践中最简单的权重更新规则是随机梯度下降(SGD):
weight = weight - learning_rate * gradient
我们可以使用简单的Python代码实现这个规则:
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)
但是当使用神经网络是想要使用各种不同的更新规则时,比如SGD、Nesterov-SGD、Adam、RMSPROP等,PyTorch中构建了一个包torch.optim实现了所有的这些规则。 使用它们非常简单:
import torch.optim as optim
# create your optimizer
optimizer = optim.SGD(net.parameters(), lr=0.01)
# in your training loop:
optimizer.zero_grad() # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step() # Does the update
4.训练一个分类器
1.使用torchvision加载和归一化CIFAR10训练集和测试集
2.定义一个卷积神经网络
3.定义损失函数
4.在训练集上训练网络
5.在测试集上测试网络
见first_classfication_net_cpu
5.数据并行
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
# Parameters and DataLoaders
input_size = 5
output_size = 2
batch_size = 30
data_size = 100
#Device
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
#创建一个虚拟数据集
class RandomDataset(Dataset):
def __init__(self, size, length):
self.len = length
self.data = torch.randn(length, size)
def __getitem__(self, index):
return self.data[index]
def __len__(self):
return self.len
rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
batch_size=batch_size, shuffle=True)
class Model(nn.Module):
# Our model
def __init__(self, input_size, output_size):
super(Model, self).__init__()
self.fc = nn.Linear(input_size, output_size)
def forward(self, input):
output = self.fc(input)
print("\tIn Model: input size", input.size(),
"output size", output.size())
return output
model = Model(input_size, output_size)
if torch.cuda.device_count() > 1:
print("Let's use", torch.cuda.device_count(), "GPUs!")
# dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs
model = nn.DataParallel(model)
model.to(device)
for data in rand_loader:
input = data.to(device)
output = model(input)
print("Outside: input size", input.size(),
"output_size", output.size())