文章目录
Pytorch 记录
QuickStart
数据读取
提供了两种数据相关的类,DataLoader与Dataset,前者负责迭代读取数据集中的所有数据,一批一批的提供数据,后者负责数据集单个读取如图片与标签的读取。
Pytorch提供了针对各个领域的 TorchText, TorchVision, and TorchAudio,每个有各自的dataset。
模型创建
定义一个模型需要继承自nn.Module,在__init__方法中进行初始化,定义模型的层,然后再forward中进行前向操作。为了加速可以移动到GPU上面。
# Get cpu or gpu device for training.
device = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))
# Define model
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
nn.ReLU()
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NeuralNetwork().to(device)
print(model)
优化模型参数
为了训练一个模型,需要损失函数和优化器。
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
在一次前向中,模型在训练集上面进行一次预测,然后反向传播误差到模型参数中。
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
for batch, (X, y) in enumerate(dataloader):
X, y = X.to(device), y.to(device)
# Compute prediction error
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
optimizer.zero_grad()
loss.backward()
optimizer.step()
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
可以通过测试来判断模型是否进行了学习。
def test(dataloader, model):
size = len(dataloader.dataset)
model.eval()
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X, y = X.to(device), y.to(device)
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= size
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
训练过程可以多个eopch,可以打印损失和模型的正确率。
epochs = 5
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train(train_dataloader, model, loss_fn, optimizer)
test(test_dataloader, model)
print("Done!")
模型保存
一个通常的保存模型的方法是序列化内部的状态字典(包含模型的参数)
torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")
加载模型
为了重新加载模型,可以加载状态字典。
model = NeuralNetwork()
model.load_state_dict(torch.load("model.pth"))
模型使用
如此便可以进行模型的推理了
classes = [
"T-shirt/top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
]
model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
pred = model(x)
predicted, actual = classes[pred[0].argmax(0)], classes[y]
print(f'Predicted: "{predicted}", Actual: "{actual}"')
Tensor
Tensor创建
Tensor与numpy很相似,有以下几种创建方法:
- 直接从数据自动推理类型创建
data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)