PyTorch快速入门

什么是PyTorch？

PyTorch是基于以下两个目的而打造的python科学计算框架：

• 无缝替换NumPy，并且通过利用GPU的算力来实现神经网络的加速。
• 通过自动微分机制，来让神经网络的实现变得更加容易。

安装

pip install torch
pip install torchvision

张量

什么是张量（Tensor）？

可以将张量通俗的理解为多维数组

维数	阶	名字	数学实例	示例
0-D	0	标量（scalar）	数字（只有大小）	255
1-D	1	向量（vector）	向量（大小和方向）	[1.1, 2.2, 3.3 ]
2-D	2	矩阵（matrix）	数据表	[[1.1, 2.2, 3.3 ], [1.1, 2.2, 3.3 ]]
3-D	3	3阶张量	工用数据、时间序列数据、股价、文本数据、彩色图片	[[[1.1, 2.2, 3.3 ], [1.1, 2.2, 3.3 ]]]
n-D	n	n阶张量

张量初始化

import numpy as np
import torch

直接生成张量

# 用list直接初始化一个张量
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)

tensor([[1, 2],
[3, 4]])

通过Numpy数组来生成张量

# 通过ndarray初始化张量
np_array = np.array(data)
x_np = torch.from_numpy(np_array)

tensor([[1, 2],
[3, 4]], dtype=torch.int32)

通过已有的张量来生成新的张量

# 继承原有张量生成一个新的全1张量（保留原张量属性）
x_ones = torch.ones_like(x_data)
# 继承原有张量生成一个新的随机张量并重写张量的数据类型
x_rand = torch.rand_like(x_data, dtype=torch.float)

tensor([[0.3694, 0.6384],
[0.0699, 0.2854]])

通过指定数据维度来生成张量

# 指定张量维度
shape = (2, 3,)
# 随机张量
rand_tensor = torch.rand(shape)
# 全1张量
ones_tensor = torch.ones(shape)
# 全0张量
zeros_tensor = torch.zeros(shape)

tensor([[0.7085, 0.1440, 0.6007],
[0.7662, 0.5017, 0.4305]])
tensor([[1., 1., 1.],
[1., 1., 1.]])
tensor([[0., 0., 0.],
[0., 0., 0.]])

张量属性

tensor = torch.rand(3, 4)

print("维度：{}".format(tensor.shape))
print("数据类型：{}".format(tensor.dtype))
print("存储设备：{}".format(tensor.device))

维度：torch.Size([3, 4])
数据类型：torch.float32
存储设备：cpu

张量运算

索引和切片

# 创建一个4*4的全1张量
tensor = torch.ones(4, 4)
# 将第1列(从0开始)的数据全部赋值为0
tensor[:, 1] = 0

tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])

拼接

# 将一组张量按照指定的维度进行拼接
t1 = torch.cat([tensor, tensor, tensor], dim=1)

tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])

张量乘积

# 初始化一个张量
a = [[1, 2], [3, 4]]
a_tensor = torch.tensor(a)
# 求张量乘积（法一）
b_tensor = a_tensor.mul(a_tensor)
# 求张量乘积（法二）
b_tensor = a_tensor * a_tensor

tensor([[ 1, 4],
[ 9, 16]])

矩阵乘法

# 初始化向量
c = [[1, 2, 3], [4, 5, 6]]
d = [[1, 2], [3, 4], [5, 6]]
c_tensor = torch.tensor(c)
d_tensor = torch.tensor(d)

# 向量乘法(法一)
e_tensor = c_tensor.matmul(d_tensor)
# 向量乘法(法二)
e_tensor = c_tensor @ d_tensor

tensor([[22, 28],
[49, 64]])

自动赋值运算

# 初始化一个3*3的全1向量
f_tensor = torch.ones((3, 3,))
# 对该向量进行自动赋值运算
f_tensor.add_(2)

tensor([[3., 3., 3.],
[3., 3., 3.],
[3., 3., 3.]])

神经元与神经网络

神经元（MP模型）

在不考虑非线性函数时，其数学表达式为：
$$y=x\ast W+b$$

其中程序执行$x\ast w+b$的过程称为前向传播

若输入$x$有$n$个，输出$y$有$m$个，则：
$$x=\left[\begin{array}{c}{x}_0\\ x_1\\ ⋮\\ x_n\end{array}\right],W=\left[\begin{array}{ccc}{w}_{00}& ⋮& w_{0m}\\ w_{10}& ⋮& w_{1m}\\ ⋮& ⋮& ⋮\\ x_{n0}& ⋮& w_{nm}\end{array}\right],b=\left[\begin{array}{c}{b}_0\\ b_1\\ ⋮\\ b_m\end{array}\right],y=\left[\begin{array}{c}{y}_0\\ y_1\\ ⋮\\ y_m\end{array}\right]$$

神经网络

人工神经网络，简称神经网络（NN）是在某些输入数据上执行的嵌套函数的集合，每个神经网络由若干个神经元组成。

每个神经网络由$1$个输入层，$1$个输出层以及若干个隐藏层构成。

激活函数

激活函数决定哪些信息保留以传递给后面的神经元

必要性质

• 非线性
• 连续可微性
• 单调
• 近似恒等

常见激活函数

Sigmoid

$$f(x)=\delta (x)=\frac{1}{1+e^{-x}}$$

Tanh

$$f(x)=tanh(x)=\frac{sinh(x)}{cosh(x)}=\frac{e^x-e^{-x}}{e^x+e^{-x}}=2\delta (2x)-1$$

Hard Tanh

$$f(x)=\{\begin{array}{ll}+1,& x>1\\ x,& \text{其}他\\ -1& x<-1\end{array}$$

ReLU

$$f(x)=max(x,0)$$

Softmax

$$f_i(x)=\frac{e^{x_i}}{{\sum }_j{e}^{x_j}}$$

LogSoftmax

$$f_i(x)=log(\frac{e^{x_i}}{{\sum }_j{e}^{x_j}})$$

损失函数

损失函数指的是预测值（$y$）与标准答案（$y\_$）的差距。

损失函数可以定量的判断$W$和$b$的优劣，当损失函数输出最小时，参数$W$和$b$会出现最优值。

回归问题

均方误差

$$MES(y,y\_)=\frac{{\sum }_{k=0}^n(y-y\_{)}^2}{n}$$

分类问题

二分类问题

铰链损失

多分类问题

训练神经网络

训练 NN 分为两个步骤：

前向传播

在前向传播中，NN对正确的输出进行最佳猜测。 它通过其每个函数运行输入数据以进行猜测。

前向传播的方程为：
$$h(x{)}_{w,b}=\tilde{y}$$
表示在$w,b$条件下对于输入$x$神经网络的输出为$\tilde{y}$。

反向传播

在反向传播中，NN根据其猜测中的误差调整其参数。 它通过从输出向后遍历，收集有关函数参数（梯度）的误差导数并使用梯度下降来优化参数来实现。

未完待续……

参考资料

PyTorch官网：https://pytorch.org/

PyTorch中文文档：https://pytorch.apachecn.org/

【tensorflow】浅谈什么是张量tensor：https://blog.csdn.net/qq_31821675/article/details/79188449

人工智能实践：Tensorflow笔记_中国大学MOOC(慕课)：https://www.icourse163.org/learn/PKU-1002536002?tid=1462067447#/learn/content?type=detail&id=1238898223&sm=1

双曲正切_百度百科：https://baike.baidu.com/item/%E5%8F%8C%E6%9B%B2%E6%AD%A3%E5%88%87/3194837?fromtitle=tanh&fromid=19711736&fr=aladdin

《PyTorch机器学习从入门到实战》