1,安装
以mac环境下的pycharm为例,preference->project interpreter->查看package下有没有torch库,没有点击“+”,搜索torchvision,点击install package,等待安装完成后即可。package下会出现torch 和torchvision则成功。
2,基于pytorch实现线性回归
import numpy as np
import torch
from torch.autograd import Variable
x = np.array([
[1.0,2.0,3.0],
[4.0,5.0,6.0],
[7.0,8.0,9.0],
[2.0,3.0,5.0]
])
y = np.array([
[1.2],
[1.5],
[1.9],
[0.8]
])
# 构建图
input_x = torch.Tensor(x)
input_y = torch.Tensor(y)
w = Variable(torch.randn(3,1), requires_grad=True)
b = Variable(torch.Tensor([0]), requires_grad=True)
# 构造损失函数
criterion = torch.nn.MSELoss()
#criterion = torch.nn.CrossEntropyLoss()
# 构造优化器
optimizer = torch.optim.SGD([w, b], lr=0.01)
for epoch in range(500):
# 获取得到预测值
y_pred = input_x.matmul(w) + b
# 计算损失函数
loss = criterion(y_pred, input_y)
print((epoch, loss.data, loss))
# 优化
# a. 重置上一轮的梯度值
optimizer.zero_grad()
# b. 反向传播
loss.backward()
# c. 更新模型参数
optimizer.step()
y_pred = input_x.matmul(w) + b
print(y_pred)
print(y)
3,torch.nn.Linear(parameter..)
in_features - 每个输入样本的大小
out_features - 每个输出样本的大小
bias - 如果设置为False,则图层不会学习附加偏差。默认值:True
class Model(torch.nn.Module):
def __init__(self):
super(Model, self).__init__()
# 开始构建网络
# in_features: 给定输入的特征属性数目。out_features: 给定输出的特征属性数目
self.linear = torch.nn.Linear(in_features=3, out_features=1)
def forward(self, x):
y_pred = self.linear(x)
return y_pred
x = np.array([
[1.0, 2.0, 3.0],
[4.0, 5.0, 6.0],
[7.0, 8.0, 9.0],
[2.0, 3.0, 5.0]
])
y_pred = model(input_x)
y的形状(4,1)
因为:input_x 4*3 linear(3*1) 结果4*1
3,pytorch 加载外部数据,传入外部数据的路径root_path
# 1. 加载数据
transform = transforms.Compose([
transforms.Resize((28, 28)), # 图像大小重置(这里之所以是28*28,是因为model中定义的大小要求的)
transforms.Grayscale(num_output_channels=1), # 将图像转换为灰度图像
transforms.ToTensor(), # 将图像转换为Tensor对象
transforms.Normalize(mean=[0.5], std=[0.5]) # 对于每个channel均给定转换操作的均值和标准差(功能类似BN,只是均值和标准差我们给定)
])
train_data = datasets.ImageFolder(root=root_path, transform=transform)
4,pytorch迁移学习
# 加载训练好的模型并且进行稍微的调整修改。
vgg16 = models.vgg16(pretrained=True)
# 修改所有的模型参数不允许更新
for param in vgg16.parameters():
param.requires_grad = False
# 更改模型的后面一部分的代码
for idx in range(len(vgg16.features) - 1, 9, -1):
del vgg16.features[idx]
# 因为手写数字图片是灰度图像,只有一个通道,所以第一层的卷积需要更改。
# vgg16.features[0] = torch.nn.Conv2d(1, 64, 3, 1, 1)
vgg16.classifier = torch.nn.Sequential(
torch.nn.Linear(6272, 500),
torch.nn.ReLU(),
torch.nn.Dropout(p=0.9),
torch.nn.Linear(500, 10)
)
model = vgg16.train()
loss = torch.nn.CrossEntropyLoss()
optimizer = optim.Adam(params=model.parameters(), lr=1e-6)