图像去雾毕业论文准备17-深度学习框架(pytorch)——超级详细(3个小时看完一本书(关键部分))
书籍《深度学习框架PyTorch入门与实践》陈云·著
书籍有配套的代码,大家可以在github下载,进行演练操作,今天下午(2021年1月8日)用3个小时快速过一遍(自己论文需要的),晚上开始系统学习卷积神经网络,后面开始搜代码进行论文复现。
好啦,配置环境的事情前面都已经交代过,就不在罗列了,根据自己电脑的情况,下载安装必要的库!
Tensor
Tensor是PyTorch中重要的数据结构,可认为是一个高维数组。它可以是一个数(标量)、一维数组(向量)、二维数组(矩阵)以及更高维的数组。Tensor和Numpy的ndarrays类似,但Tensor可以使用GPU进行加速。Tensor的使用和Numpy及Matlab的接口十分相似,下面通过几个例子来看看Tensor的基本使用。
from __future__ import print_function
import torch as t
t.__version__
# 构建 5x3 矩阵,只是分配了空间,未初始化
x = t.Tensor(5, 3)
x = t.Tensor([[1,2],[3,4]])
x
x = torch.Tensor(5,3)
x = torch.Tensor([[1,2],[3,4]])
x
# 新建一个全是1的tensor
a = torch.ones(5)
a
从tensor到numpy
b = a.numpy()#tensor->numpy
type(b)
从numpy到tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
b
注:tensor和numpy之间共有内存,所有他们之间转换很快,而且几乎不会消耗资源。也就意味着只要其中一个改变了,另一个也随之改变。
scalar.item() # 使用scalar.item()能从中取出python对象的数值
需要注意的是,t.tensor()或者tensor.clone()总是会进行数据拷贝,新tensor和原来的数据不再共享内存。所以如果你想共享内存的话,建议使用torch.from_numpy()或者tensor.detach()来新建一个tensor, 二者共享内存。
这里需要使用cuda才可实现,我的没有,前面已经提到过(后面打算用云端服务器进行实现)
if torch.is_avai;able(0):
x = x.cuda()
y = y.cuda()
z = x + y
# tensor可通过.cuda方法转为GPU的Tensor,从而享受GPU带来的加速运算
# 在不支持CUDA的机器上,上面的是不会运行的
"""
在这里会发现GPU运算的速度并未提升太多,这是因为x和y太小且运算也较简单,而且将数据从内存转移到显卡还需要话费额外的开销。
GPU的有时需要在大规模数据和复杂运算下才能体现出来
"""
autograd: 自动微分
深度学习的算法本质上是通过反向传播求导数,而PyTorch的**autograd
**模块则实现了此功能。在Tensor上的所有操作,autograd都能为它们自动提供微分,避免了手动计算导数的复杂过程。
要想使得Tensor使用autograd功能,只需要设置tensor.requries_grad=True
.
import torch
x = torch.ones(2,2,requires_grad = True) # pytorch会自动调用autograd 记录操作
x
tensor([[1., 1.],
[1., 1.]], requires_grad=True)
y =x.sum()
y
tensor(4., grad_fn=)
y.grad_fn # 占用的有内存空间
<SumBackward0 at 0x1852fc17588>
y.backward()
x.grad
注意:grad在反向传播过程中是累加的(accumulated),这意味着每一次运行反向传播,梯度都会累加之前的梯度,所以反向传播之前需把梯度清零。
x.grad.data.zero_()
# 此代码会修改自身的值,类似add_
神经网络
Autograd实现了反向传播功能,但是直接用来写深度学习的代码在很多情况下还是稍显复杂,torch.nn是专门为神经网络设计的模块化接口。nn构建于 Autograd之上,可用来定义和运行神经网络。nn.Module是nn中最重要的类,可把它看成是一个网络的封装,包含网络各层定义以及forward方法,调用forward(input)方法,可返回前向传播的结果。下面就以最早的卷积神经网络:LeNet为例,来看看如何用nn.Module实现。LeNet的网络结构如图2-7所示。