🔎大家好,我是Sonhhxg_柒,希望你看完之后,能对你有所帮助,不足请指正!共同学习交流🔎
📝个人主页-Sonhhxg_柒的博客_CSDN博客 📃
🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝
📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】 深度学习【DL】
🖍foreword
✔说明⇢本人讲解主要包括Python、机器学习(ML)、深度学习(DL)、自然语言处理(NLP)等内容。
如果你对这个系列感兴趣的话,可以关注订阅哟👋
import torch
import torchvision
import torch.nn as nn
import numpy as np
import torchvision.transforms as transforms
1. 基本 autograd 示例
# 创建张量。
x = torch.tensor(1., requires_grad=True)
w = torch.tensor(2., requires_grad=True)
b = torch.tensor(3., requires_grad=True)
# 构建计算图。
y = w * x + b # y = 2 * x + 3
# 计算梯度。
y.backward()
# P打印出梯度变化grad。
print(x.grad) # x.grad = 2
print(w.grad) # w.grad = 1
print(b.grad) # b.grad = 1
# 创建形状为 (10, 3) 和 (10, 2) 的张量。
x = torch.randn(10, 3)
y = torch.randn(10, 2)
# 构建一个全连接层。
linear = nn.Linear(3, 2)
print ('w: ', linear.weight)
print ('b: ', linear.bias)
# 构建损失函数和优化器。
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(linear.parameters(), lr=0.01)
# 前向传播
pred = linear(x)
# 计算损失
loss = criterion(pred, y)
print('loss: ', loss.item())
# 后向传播
loss.backward()
# 打印出w和b的grad
print ('dL/dw: ', linear.weight.grad)
print ('dL/db: ', linear.bias.grad)
# 1-step 梯度下降
optimizer.step()
# 你也可以在低层执行梯度下降。
# linear.weight.data.sub_(0.01 * linear.weight.grad.data)
# linear.bias.data.sub_(0.01 * linear.bias.grad.data)
# 打印 1-step 梯度下降后的损失。
pred = linear(x)
loss = criterion(pred, y)
print('loss after 1 step optimization: ', loss.item())
2. 从 numpy 加载数据
# 创建一个numpy数组。
x = np.array([[1, 2], [3, 4]])
# 将 numpy 数组转换为 Torch 张量。
y = torch.from_numpy(x)
# 将 Torch 张量转换为 numpy 数组。
z = y.numpy()
3.输入管道
# 下载并构建 CIFAR-10 数据集。
train_dataset = torchvision.datasets.CIFAR10(root='../../data/',
train=True,
transform=transforms.ToTensor(),
download=True)
# 获取一对数据(从磁盘读取数据)。
image, label = train_dataset[0]
print (image.size())
print (label)
# 数据加载器(以非常简单的方式提供队列和线程)。
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
batch_size=64,
shuffle=True)
# 当迭代开始时,队列和线程开始从文件中加载数据。
data_iter = iter(train_loader)
# 小批量图像和标签。
images, labels = data_iter.next()
# 数据加载器的实际使用如下。
for images, labels in train_loader:
# Training code should be written here.
pass
4. 自定义数据集的输入管道
# 你应该如下构建你的自定义数据集。
class CustomDataset(torch.utils.data.Dataset):
def __init__(self):
# TODO
# 1. 初始化文件路径或文件名列表。
pass
def __getitem__(self, index):
# TODO
# 1. 从文件中读取一个数据(例如使用numpy.fromfile、PIL.Image.open)。
# 2. 预处理数据(例如torchvision.Transform)。
# 3. 返回一个数据对(例如图像和标签)
pass
def __len__(self):
# 您应该将 0 更改为数据集的总大小。
return 0
# 然后您可以使用预构建的数据加载器。
custom_dataset = CustomDataset()
train_loader = torch.utils.data.DataLoader(dataset=custom_dataset,
batch_size=64,
shuffle=True)
5. 预训练模型
# 下载并加载预训练的 ResNet-18。
resnet = torchvision.models.resnet18(pretrained=True)
# 如果只想微调模型的顶层,设置如下。
for param in resnet.parameters():
param.requires_grad = False
# 替换顶层进行微调.
resnet.fc = nn.Linear(resnet.fc.in_features, 100) # 100 is an example.
# 前向传播
images = torch.randn(64, 3, 224, 224)
outputs = resnet(images)
print (outputs.size()) # (64, 100)
6. 保存并加载模型
# 保存并加载整个模型。
torch.save(resnet, 'model.ckpt')
model = torch.load('model.ckpt')
# 仅保存和加载模型参数(推荐)。
torch.save(resnet.state_dict(), 'params.ckpt')
resnet.load_state_dict(torch.load('params.ckpt'))