文章目录
一、torch与numpy
1.绝对值、三角函数、平均值
import torch
import numpy as np
np_data = np.arange(6).reshape((2, 3))
# numpy转torch
torch_data = torch.from_numpy(np_data)
# torch转numpy
tensor2array = torch_data.numpy()
调用绝对值、三角函数、平均值等,numpy与torch基本一样
data = [-1, -2, 1, 2]
# torch.FloatTensor将list ,numpy转化为tensor(32位浮点)
tensor = torch.FloatTensor(data) # 32-bit floating point
np.abs(data)
torch.abs(tensor)
np.sin(data)
torch.sin(tensor)
2.矩阵乘法
# matrix multiplication
data = [[1,2], [3,4]]
tensor = torch.FloatTensor(data) # 32-bit floating point
np.matmul(data, data), # [[7, 10], [15, 22]]
data.dot(data) //np.dot可以用,tensor.dot只接受一维数组计算,tensor.dot![请添加图片描述](https://img-blog.csdnimg.cn/0f8afe74a8134d4d845f64831f79ac0b.png)
改用mm
torch.mm(tensor, tensor) # [[7, 10], [15, 22]]
tensor.mm(tensor, tensor)
tensor.mm(tensor) //矩阵乘法
结果 tensor([[ 7., 10.],
[ 15., 22.]])
tensor * tensor //对位相乘
结果 tensor([[ 1., 4.],
[ 9., 16.]])
torch.dot(torch.Tensor([2, 3]), torch.Tensor([2, 1])) //dot一维数组相乘
结果 tensor(7.)
1.0版本之前variable在旧版本中可以反向传播;1.0版本删掉了variable,tensor可直接反向传播;当前版本又可以用了
import torch
from torch.autograd import Variable
tensor = torch.FloatTensor([[1,2],[3,4]]) # build a tensor
variable = Variable(tensor, requires_grad=True)
也可用tensor替代variable
tensor = torch.tensor([[1,2],[3,4]], dtype=float, requires_grad=True) # build a tensor
print(tensor) # [torch.FloatTensor of size 2x2]
运行结果:
tensor([[1., 2.],
[3., 4.]], dtype=torch.float64, requires_grad=True)
tensor = torch.tensor([[1,2],[3,4]], dtype=float, requires_grad=True) # build a tensor
t_out = torch.mean(tensor*tensor)
print(t_out)
t_out.backward() //反向传播,计算梯度
print(tensor.grad) //打印出梯度
运行结果:
tensor(7.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)
tensor([[0.5000, 1.0000],
[1.5000, 2.0000]], dtype=torch.float64)
梯度计算过程(求导过程)
直接打印出数据,以下两个都可,结果一样
print(tensor.data.numpy())
print(tensor.detach().numpy())
运行结果:
[[1. 2.]
[3. 4.]]
3.画出四个激活函数
import torch
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt
# torch.linspace返回一个一维的tensor(张量),包含了从start到end(包括端点)的等距的steps个数据点。
x = torch.linspace(-5,5,200)
x = Variable(x)
x_np = x.data.numpy()
# matplot需要将矩阵数据变成数组,才能对应x画成直线
y_relu = F.relu(x).data.numpy()
y_sigmoid = F.sigmoid(x).data.numpy()
y_tanh = F.tanh(x).data.numpy()
# F.softmax用来做概率图
y_softplus = F.softplus(x).data.numpy()
二、回归分类
1.画回归散点图
# torch.unsqueeze()给数据增加维度;torch.squeeze()对数据降维;torch.linspace(3,10,5)返回从3到10等距离的5个一维张量
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # x data (tensor), shape=(100, 1)
# pow(2)表示x的2次方,也有math.pow(x,2)的写法;torch.rand(*sizes, out=None) 作为噪声点,保持和x一个形状,返回[0,1)之间的均匀分布
y = x.pow(2) + 0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100, 1)
x, y = Variable(x),Variable(y)
# scatter打印散点图
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()
2.回归网络
class Net(torch.nn.Module): # 本类继承torch的Module模块,来作为net的主模块
def __init__(self, n_feature, n_hidden, n_output): # 搭建层的信息,相当于画图纸
super(Net, self).__init__() # super为官方定义的格式
# nn.Linear对输入数据做线性变换y=wx+b,并学习更新偏置b的值;Linear需要输入两个参数(上一层神经元的个数,本层的神经元个数)
self.hidden = torch.nn.Linear(n_feature, n_hidden) # hidden layer
self.predict = torch.nn.Linear(n_hidden, n_output) # output layer
def forward(self, x): # 前向传递,相当于根据图纸盖楼
x = F.relu(self.hidden(x)) # 隐含层用激活函数激活
x = self.predict(x) # x放入输出层输出,输出一般不用激活函数,会影响结果
return x
net = Net(1, 10, 1)
print(net)
运行结果:
Net(
(hidden): Linear(in_features=1, out_features=10, bias=True)
(predict): Linear(in_features=10, out_features=1, bias=True)
)
# 构建一个optimizer对象,用来保持当前参数状态并基于计算得到的梯度进行参数更新
optimizer = torch.optim.SGD(net.parameters(), lr=0.2) # 使用SGD随机梯度下降法优化,学习步长一般小于1
# 对SGD说明:普通训练方法,重复不断的把整套数据放入神经网络NN中训练,消耗的计算资源会很大;
# SGD会把数据拆分后再分批不断放入NN中计算,虽然不能反映整体数据的情况,不过却很大程度上加速NN的训练过程,而且也不会丢失太多准确率.
loss_func = torch.nn.MSELoss() # 均方差作为损失函数
plt.ion() # matplot实时打印
for t in range(100):
# x是之前定义的100个数,net(x)是100个数经过神经网络(正向传播)后的100个值
prediction = net(x) # 预测;input x and predict based on x
# 训练4步
loss = loss_func(prediction, y) # 计算损失;输入格式固定(1. nn output, 2. target)
optimizer.zero_grad() # 梯度清零;即求导前将导数归0,为了能使误差函数取到极小值(局部最优)
loss.backward() # 计算当前梯度,反向传播,来实现可训练参数的更新
optimizer.step() # 在backward()之类的函数计算好后调用这个函数,更新所有的参数
if t % 10 == 0: # 每学习5步打印一次
# plot and show learning process
plt.cla()
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.show()
plt.pause(0.1)
plt.ioff()
3.分类网络
import torch
from torch.autograd import Variable
import torch.nn.functional as F # 包含了构筑神经网络结构基本元素的包
import matplotlib.pyplot as plt
# 假设数据
n_data = torch.ones(100, 2) # 生成100行2列的张量
x0 = torch.normal(2 * n_data, 1) # 随机生成均值为2 * n_data,标准差为1的正态分布,shape=(100, 2)
y0 = torch.zeros(100) # y-shape=(100, 1)
x1 = torch.normal(-2 * n_data, 1) # 随机生成均值为-2 * n_data,标准差为1的正态分布,shape=(100, 2)
y1 = torch.ones(100) # class1 y data (tensor), shape=(100, 1)
# torch.cat将两个张量(tensor)拼接在一起,0为上下拼接,1为左右拼接
x = torch.cat((x0, x1), 0).type(torch.FloatTensor) # shape (200, 2) FloatTensor = 32-bit floating
y = torch.cat((y0, y1), ).type(torch.LongTensor) # shape (200,) LongTensor = 64-bit integer
# 神经网络只能输入variable形式,要把变装入variable容器里
x, y = Variable(x), Variable(y)
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='RdYlGn')
plt.show()
class Net(torch.nn.Module): # 本类继承torch的Module模块,来作为net的主模块
def __init__(self, n_feature, n_hidden, n_output): # 搭建层的信息,相当于画图纸
super(Net, self).__init__() # super为官方定义的格式
# nn.Linear对输入数据做线性变换y=wx+b,并学习更新偏置b的值;Linear需要输入两个参数(上一层神经元的个数,本层的神经元个数)
self.hidden = torch.nn.Linear(n_feature, n_hidden) # hidden layer
self.predict = torch.nn.Linear(n_hidden, n_output) # output layer
def forward(self, x): # 前向传递,相当于根据图纸盖楼
x = F.relu(self.hidden(x)) # 隐含层用激活函数激活
x = self.predict(x) # x放入输出层输出,输出一般不用激活函数,会影响结果
return x
# 分类任务常用到One-Hot向量:一个向量中只有某一项为1,其余全为0
net = Net(n_feature=2, n_hidden=10, n_output=2) # 有两个输入例子,分类成2类
print(net) # net architecture
# 构建一个optimizer对象,用来保持当前参数状态并基于计算得到的梯度进行参数更新
optimizer = torch.optim.SGD(net.parameters(), lr=0.02) # 使用SGD随机梯度下降法优化,学习步长一般小于1
# 对SGD说明:普通训练方法,重复不断的把整套数据放入神经网络NN中训练,消耗的计算资源会很大;
# SGD会把数据拆分后再分批不断放入NN中计算,虽然不能反映整体数据的情况,不过却很大程度上加速NN的训练过程,而且也不会丢失太多准确率.
loss_func = torch.nn.CrossEntropyLoss() # 通过交叉熵损失函数将One-Hot转化成总和为1的概率,如[0.1, 0.2, 0.7]
plt.ion() # matplot实时打印
for t in range(100):
# x是之前定义的100个数,net(x)是100个数经过神经网络(正向传播)后的100个值
out = net(x) # 预测;input x and predict based on x
# prediction = torch.max(F.softmax(out, dim=1), 1)[1] 由于CrossEntropy包含了softmax激活函数,所以这里不再加
# 训练4步
loss = loss_func(out, y) # 计算损失;输入格式固定(1. nn output, 2. target)
optimizer.zero_grad() # 梯度清零;即求导前将导数归0,为了能使误差函数取到极小值(局部最优)
loss.backward() # 计算当前梯度,反向传播,来实现可训练参数的更新
optimizer.step() # 在backward()之类的函数计算好后调用这个函数,更新所有的参数
if t % 10 == 0 or t in [3, 6]:
# plot and show learning process
plt.cla()
_, prediction = torch.max(F.softmax(out), 1) # torch.max返回值有两个,第一个是max是多少,第二个是max的index
pred_y = prediction.data.numpy().squeeze()
target_y = y.data.numpy()
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='RdYlGn')
accuracy = sum(pred_y == target_y) / 200.
plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'})
plt.show()
plt.pause(0.1)
plt.ioff()
4.两种搭建框架(画图纸)的方法
//method1 建立net类,并实例化
class Net(torch.nn.Module): # 本类继承torch的Module模块,来作为net的主模块
def __init__(self, n_feature, n_hidden, n_output): # 搭建层的信息,相当于画图纸
super(Net, self).__init__() # super为官方定义的格式
# nn.Linear对输入数据做线性变换y=wx+b,并学习更新偏置b的值;Linear需要输入两个参数(上一层神经元的个数,本层的神经元个数)
self.hidden = torch.nn.Linear(n_feature, n_hidden) # hidden layer
self.predict = torch.nn.Linear(n_hidden, n_output) # output layer
def forward(self, x): # 前向传递,相当于根据图纸盖楼
x = F.relu(self.hidden(x)) # 隐含层用激活函数激活
x = self.predict(x) # x放入输出层输出,输出一般不用激活函数,会影响结果
return x
net1 = Net(1, 10, 1)
//method2 调用Sequential来实例化
# easy and fast way to build your network
net2 = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1)
)
print(net1) # net1 architecture
print(net2)
运行结果:
Net (
(hidden): Linear (1 -> 10)
(predict): Linear (10 -> 1)
)
Sequential (
(0): Linear (1 -> 10)
(1): ReLU ()
(2): Linear (10 -> 1)
)
5. 保存网络和提取网络
(用于保存训练了一半的网络,提取处理继续训练)
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
torch.manual_seed(1)
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100, 1)
x, y = Variable(x, requires_grad=False), Variable(y, requires_grad=False)
def save():
# 快速搭建法
net1 = torch.nn.Sequential(
torch.nn.Linear(1, 10), # 隐藏层
torch.nn.ReLU(), # 隐藏层的激活函数
torch.nn.Linear(10, 1) # 输出层
)
optimizer = torch.optim.SGD(net1.parameters(), lr=0.5)
loss_func = torch.nn.MSELoss()
for t in range(100):
prediction = net1(x)
loss = loss_func(prediction, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
# plot result
plt.figure(1, figsize=(10, 3))
plt.subplot(131)
plt.title('Net1')
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
# 2 ways to save the net
torch.save(net1, 'net.pkl') # 保留整个网络,以.pkl格式保持
torch.save(net1.state_dict(), 'net_params.pkl') # 保留节点参数
# 提取保存的网络
def restore_net():
# restore entire net1 to net2
net2 = torch.load('net.pkl') # 以.load函数提取保存的网络
prediction = net2(x) # 这里将x导入net传给prediction是为了画图
# plot result
plt.subplot(132)
plt.title('Net2')
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
# 提取保存网络的参数
def restore_params():
# restore only the parameters in net1 to net3
# 提取保存的保留参数需先自己快速建一个网络,提取网络参数比提取整个网络速度快,推荐使用
net3 = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1)
)
# copy net1's parameters into net3
net3.load_state_dict(torch.load('net_params.pkl')) # 使用.load_state_dict函数进行
prediction = net3(x) # 画图传参
# plot result
plt.subplot(133)
plt.title('Net3')
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.show()
save()
# restore entire net (may slow)
restore_net()
# restore only the net parameters
restore_params()
6.批训练 minibatch trainning
数据过大时,将数据分成多批次进行训练,来提升训练速度和训练效率
import torch
import torch.utils.data as Data # 使用data模块来进行小批训练
# 每小批抽取5个数据训练
BATCH_SIZE = 5
# linspace返回一个一维的tensor(张量),包含了从start=1到end=10(包括端点)的等距的steps=10个数据点。
x = torch.linspace(1, 10, 10) # this is x data (torch tensor)
y = torch.linspace(10, 1, 10)
# 将数据放入torch的数据库TensorDataset中
torch_dataset = Data.TensorDataset(x, y) # 训练数据data_tensor,计算误差数据target_tensor
loader = Data.DataLoader( # loader\DataLoader将数据变成小批
dataset=torch_dataset, # torch TensorDataset format
batch_size=BATCH_SIZE, # mini batch size
shuffle=True, # 是否先将数据打乱,再进行抽样;false为不打乱
num_workers=0, # 加载数据进程数;用cpu和windows跑需要设置=0;GPU跑多设几个,加快寻批速度
)
for epoch in range(3): # 把所以数据整体训练3次
# enumerate给loader中每个数据加一个索引
for step, (batch_x, batch_y) in enumerate(loader): # for each training step
# train your data...
print('Epoch: ', epoch, '| Step: ', step, '| batch x: ',
batch_x.numpy(), '| batch y: ', batch_y.numpy())
运行结果:
Epoch: 0 | Step: 0 | batch x: [6. 8. 2. 7. 5.] | batch y: [5. 3. 9. 4. 6.]
Epoch: 0 | Step: 1 | batch x: [ 1. 10. 4. 3. 9.] | batch y: [10. 1. 7. 8. 2.]
Epoch: 1 | Step: 0 | batch x: [4. 6. 1. 7. 8.] | batch y: [ 7. 5. 10. 4. 3.]
Epoch: 1 | Step: 1 | batch x: [10. 5. 9. 2. 3.] | batch y: [1. 6. 2. 9. 8.]
Epoch: 2 | Step: 0 | batch x: [5. 9. 8. 7. 6.] | batch y: [6. 2. 3. 4. 5.]
Epoch: 2 | Step: 1 | batch x: [ 2. 10. 3. 1. 4.] | batch y: [ 9. 1. 8. 10. 7.]
7.优化器Optimizer
import torch
import torch.utils.data as Data
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt
# 定义超参数(全大写,提前赋值定义) hyper parameters
LR = 0.01
BATCH_SIZE = 32
EPOCH = 12
# fake dataset
x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1)
y = x.pow(2) + 0.1 * torch.normal(torch.zeros(*x.size()))
# plot dataset
plt.scatter(x.numpy(), y.numpy())
plt.show()
# minibatch training需要写dataset和loader
torch_dataset = Data.TensorDataset(x, y)
loader = Data.DataLoader(
dataset=torch_dataset,
batch_size=BATCH_SIZE,
shuffle=True, # 一般用shuffle=true,打乱数据会有更好的训练效果
num_workers=0, ) # windows中num_works=0,=0用主线程cpu跑
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.hidden = torch.nn.Linear(1, 20) # 隐含层有20个神经元
self.predict = torch.nn.Linear(20, 1) # output layer
def forward(self, x):
x = F.relu(self.hidden(x)) # activation function for hidden layer
x = self.predict(x) # linear output
return x
# 定义4个不同的神经网络,后续使用不同的优化器进行优化
net_SGD = Net()
net_Momentum = Net()
net_RMSprop = Net()
net_Adam = Net()
nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam] # 将定义的网络放在一个list中,方便for循环提取,一个一个训练
# 建立对应网络的优化器
opt_SGD = torch.optim.SGD(net_SGD.parameters(), lr=LR)
opt_Momentum = torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.8) # 动态SGD
opt_RMSprop = torch.optim.RMSprop(net_RMSprop.parameters(), lr=LR, alpha=0.9)
opt_Adam = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99))
optimizers = [opt_SGD, opt_Momentum, opt_RMSprop, opt_Adam] # 放一个优化器list
# 创建损失函数
loss_func = torch.nn.MSELoss()
losses_his = [[], [], [], []] # 创建误差list,记录4个损失函数的误差变化曲线
# training
for epoch in range(EPOCH):
print('Epoch: ', epoch)
for step, (batch_x, batch_y) in enumerate(loader): # for each training step
b_x = Variable(batch_x) # 改版后用不用variable包装都可以
b_y = Variable(batch_y) # 不包装直接赋值,b_y = batch_y
for net, opt, l_his in zip(nets, optimizers, losses_his):
output = net(b_x) # get output for every net
loss = loss_func(output, b_y) # compute loss for every net
opt.zero_grad() # clear gradients for next train
loss.backward() # backpropagation, compute gradients
opt.step() # apply gradients
l_his.append(loss.item()) # loss recoder
labels = ['SGD', 'Momentum', 'RMSprop', 'Adam']
for i, l_his in enumerate(losses_his):
plt.plot(l_his, label=labels[i])
plt.legend(loc='best')
plt.xlabel('Steps')
plt.ylabel('Loss')
plt.ylim((0, 0.2))
plt.show()
总结
提示:这里对文章进行总结:
例如:以上就是今天要讲的内容,本文仅仅简单介绍了pandas的使用,而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。