PyTorch数据结构

前言：因为最近开始读深度学习代码，主要都是用PyTorch框架，所以来补一些PyTorch基础，先从数据结构入手。

PyTorch

PyTorch：PyTorch是一个开源深度学习框架，有很多好用的深度学习工具，提供了丰富的库，可以很方便构建和训练神经网络模型。

• GPU加持：PyTorch提供了GPU优化操作和管理，使得在GPU上运行模型更高效。
• 提供预训练模型和模型库：PyTorch提供了很多预训练模型和模型库，能很方便进行深度学习模型的开发。
• 支持分布式训练：PyTorch支持分布式训练，可以在多个GPU和多台机器上加速训练。
• 动态计算图：PyTorch使用动态计算图来计算图，在运行时动态生成而不是编译时静态生成，可以观察动态生成的数据流向。
• 自动求导：PyTorch内置了自动求导功能，避免手动去计算非常复杂的导数，极大地减少了构建模型的时间。

PyTorch数据结构

张量

Tensor（张量）：Tensor是PyTorch中最基本的数据结构，类似于多维数组。它可以表示标量、向量、矩阵或任意维度的数组。

属性：维度、轴、形状

维度（Dimensions）：维度又可以叫做阶（Rank），理解为数组的维度。只有标量就是0维度，一维数组就是1维度，其余以此类推。

轴（Axis）：轴数和维数、阶数相同，多维张量需要索引才能引用到里面的内容，这个不同维度索引就是轴。例如形状3×4的张量，需要访问张量[0][2]位置的内容，轴指的就是“[]”里面的索引，第一个轴的长度是3，第二的轴的长度是4。

形状（Shape）：张量的形状由每个轴的长度决定，轴的长度就是对应维度能索引的大小。

相关的代码：
常用的函数有Tensor.size()和Tensor.dim()。

import torch
# 创建3维张量
tensor_3d = torch.tensor([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print("张量形状:", tensor_3d.size())# torch.Size([1,2,3]) 1个2*3的数组
print("轴数:", tensor_3d.dim())# 3
print(tensor_3d.size(1)==tensor_3d.size(-2))# True x.size(index)表示取出某个维度上的大小，正的表示从左到右，负的表示从右到左

常见的操作

重构（reshape）：torch.reshape()可以重构张量的形状。过程是先把所有的内容按行排列，然后先分高纬再分低维度。

重构举例：

x = torch.tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
x.reshape(4,3) # 变成3行4列矩阵
x # tensor([[ 0,  1,  2],[ 3,  4,  5],[ 6,  7, 8],[ 9,  10,  11]])
x.reshape(2,3,2) 
# 先变一维 [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11]
# 再变二维 [[ 0,  1,  2,  3,  4,  5],[ 6,  7,  8,  9, 10, 11]]
# 再变三维 [[[ 0,  1],[ 2,  3],[ 4,  5]],[[ 6,  7],[ 8,  9],[10, 11]]]
x # tensor([[[ 0,  1],[ 2,  3],[ 4,  5]],[[ 6,  7],[ 8,  9],[10, 11]]])

张量索引：

x = torch.tensor([[[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11]]])
print(x[0])# tensor([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11]])
print(x[0][0])# tensor([0, 1, 2, 3])
print(A[0, 0:2, :])# tensor([[0, 1, 2, 3],[4, 5, 6, 7]])

拼接（cat和stack）：

• stack：在新创建的维度上进行拼接，会扩宽维度。
• cat：按张量维度进行拼接。

# [2,3]->[2,9]
x=torch.ones((2, 3))
y = torch.cat([x, x], dim=0)
print(y)# tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]])
# [2,3]->[2, 3, 2]
y = torch.stack([x, x], dim=2)
print(y)# tensor([[[1., 1.],[1., 1.],[1., 1.]],[[1., 1.],[1., 1.],[1., 1.]]])

升维（unsqueeze）：指定维度插入新的维度。

x = torch.tensor([1,2,3,4])
y = x.unsqueeze(dim=0)
print(y)# tensor([[1],[2],[3],[4]])

降维（squeeze）：移除制定或维度大小为1的维度。

x = torch.tensor([[[1],[2]],[[3],[4]]])
y = x.squeeze(2)
print(y)# tensor([[1, 2],[3, 4]])

升维和降维的好处，在于深度学习通常做运算会有维度要求。

数据集

Dataset（数据集）：Dataset是一个抽象类，用于表示数据集。

使用：通过继承Dataset类，可以自定义数据集，并实现数据加载、预处理和获取样本等功能。PyTorch还提供了一些内置的数据集类，如MNIST、CIFAR-10等，用于方便地加载常用的数据集。

构造代码

代码：
通过继承该类来自定义自己的数据集类，在继承时要求必须重载__len__()和__getitem__()这两个方法。

• __len__()：返回的是数据集的大小。
• __getitem__()：实现索引数据集中的某一个数据。

import torch
from torch.utils.data import Dataset

class BasicDataset(Dataset):# 继承Dataset
    def __init__(self, data_tensor, target_tensor):
        self.data_tensor = data_tensor
        self.target_tensor = target_tensor

    def __getitem__(self, index):
        return self.data_tensor[index], self.target_tensor[index]

    def __len__(self):
        return self.data_tensor.size(0)

# 生成数据
data_tensor = torch.randn(4, 3)# 生成一个每个元素服从正态分布的4行3列随机张量
target_tensor = torch.rand(10)# 从区间[0,1)的均匀分布中随机抽取一个随机数生成一个张量

# 将数据封装成Dataset
tensor_dataset = BasicDataset(data_tensor, target_tensor)

print(tensor_dataset[1])# 调用__getitem__

print(len(tensor_dataset))# 调用__len__

DataLoader

DataLoader：DataLoader将Dataset对象或自定义数据类的对象封装成一个迭代器，通过迭代器可以输出Dataset的内容。

DataLoader参数：

• dataset：表示Dataset类，数据从哪读取以及如何读取。
• batch_size：表示批大小。
• shuffle：表示每个epoch要不要重新打乱数据，默认false。
• num_works：用多少个子进程读取数据。
• drop_last：表示当样本数不能被batch_size整除时，是否舍弃最后一批数据。

batch和epoch的区别：

• 一个epoch就是将所有训练样本训练一次的过程，神经网络的训练往往会需要很多次epoch才会loss收敛到合适的程度。
• 将整个训练样本分成若干个Batch。

使用代码：

# batch_size设置为2，shuffle=False不打乱数据顺序，num_workers=1使用1个子进程
dataloader = BasicDataset(dataset, batch_size=2, shuffle=False, num_workers=1)

# 以for循环形式输出
for input, target in dataloader:
    print(input, target)

模块

Module（模块）：Module是PyTorch中用于构建模型的基类。通过继承Module类，可以定义自己的模型，并实现前向传播和反向传播等方法。Module提供了参数管理、模型保存和加载等功能，方便模型的训练和部署。

实际去看深度学习代码的时候，会发现定义模型的类，都是继承nn.Module（模块）。

代码技巧：

• 网络中具有可学习参数的层（如全连接层、卷积层等）放在构造函数__init__()中。不具有参数的也可以放入（ReLU、dropout、BatchNormanation），如果不写在构造函数的话，可以在forward方法中用nn.functional来代替。
• forward方法是必须要重写的，是实现模型的功能，实现各个层之间的连接关系的核心。在阅读模型的时候，阅读forward是搞懂模型运作流程最好的方式。

import torch
import torch.nn.functional as F
 
class MyNet(torch.nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()  # 第一句话，调用父类的构造函数
        self.conv1 = torch.nn.Conv2d(3, 32, 3, 1, 1)
        # self.relu1=torch.nn.ReLU()
        # self.max_pooling1=torch.nn.MaxPool2d(2,1)
        self.conv2 = torch.nn.Conv2d(3, 32, 3, 1, 1)
        # self.relu2=torch.nn.ReLU()
        # self.max_pooling2=torch.nn.MaxPool2d(2,1)
        self.dense1 = torch.nn.Linear(32 * 3 * 3, 128)
        self.dense2 = torch.nn.Linear(128, 10)
 
    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)# self.relu1(x)
        x = F.max_pool2d(x)# self.max_pooling1(x)
        x = self.conv2(x)
        x = F.relu(x)#  self.relu2(x)
        x = F.max_pool2d(x)# self.max_pooling2(x)
        x = self.dense1(x)
        x = self.dense2(x)
        return x

参考

nn.Module类详解
Dataset和DataLoader
PyTorch数据结构