pytorch入门

1、Tensor(张量)

Pytorch里面处理的最基本的操作对象就是Tensor，Tensor是张量的英文，表示的是一个多维的矩阵，比如零维就是一个点，一维就是向量，二维就是一般的矩阵，多维就相当于一个多维的数组，这和numpy是对应的，而且Pytorch的Tensor可以和numpy的ndarray相互转换，唯一不同的是Pytorch可以在GPU上运行，而numpy的ndarray只能在CPU上运行。

我们先介绍一下一些常用的不同数据类型的Tensor，有32位浮点型torch.Float Tensor、64位浮点型torch.DoubleTensor、16位整型torch.Shor tTensor、32位整型 torch.IntTensor和64位整型torch.LongTensor。我们可以通过下面这样的方式来定义一个三行两列给定元素的矩阵，并且显示出矩阵的元素和大小：

a = torch.Tensor([[2, 3],[4, 8],[7, 9]])
print('a is: {}'.format(a))
print('a size is {}'.foramt(a.size()))

需要注意的是 torch.Tensor默认的是torch.FloatTensor数据类型，也可以定义我们想要的数据类型，就像下面这样：

b = torch.LongTensor([[2, 3],[4, 8],[7, 9]])
print('b is : {}'.foramt(b))

当然也可以创建一个全是0的空Tensor或者取一个正太分布作为随机初始值：

c = torch.zeros((3, 2))
print('zero tensor: {}'.foramt())

d = torch.randn((3,2))
print('noraml randon is : {}'.foramt(d))

我们也可以像numpy一样通过索引的方式取得其中的元素，同时也可以改变它的值，比如将a的第一行第二列改变为100。

a[0, 1] = 100
print('changed a is: {}'.format(a))

除此之外，还可以在Tensor与numpy.ndarray之间相互转换：

numpy_b = b.numpy()
print('cover to many is \n {}'.foramt(numpy_b))

e = np.array([[2, 3],[4, 5]])
torch_e = torch.from_numpy(e)
print('from numpy tp torch.Tensor is {}'.format(torch_e))
f_torch_e = torch_e.float()
print('change data type to float tensor: {}'.format(f_torch_e))

通过简单的b.numpy()，就能将b转换为numpy数据类型，同时使用torch.from_numpy()就能将numpy转换为tensor，如果需要更改tensor的数据类型，只需要在换换后的tensor后面加上你需要的类型，比如想将a的类型转换为float，只需a.float()就可以了。如果你的电脑支持GPU加速，还可以将Tensor放到GPU上。首先通过torch.cuda.is_available()判断一下是否支持GPU，如果想把tensor a放到GPU上，只需a.cuda()就能将tensor a放到GPU上了。

if torch.cuda.is_available():
   a_cuda = a.cuda()
   print(a_cuda)

2、Variable(变量)

接着要讲的一个概念就是Variable，也就是变量，这个在numpy里面就meiyou，是神经网络计算图里特有的一个概念，就是Variable提供了自动求导的功能，之前如果了解通过Tensorflow的读者应该清楚神经网络在做员孙的时候需要先构造一个计算图谱，然后在里面运行前向传播和反向传播。Variable和Tensor本质上没有区别，不过Variable会被放入一个计算图中，然后进行前向传播，反向传播，自动求导。首先Variable是在torch.autograd.Variable，要将一个tensor变成Variable也非常简单，比如想让一个tensor a变成Variable，只需要Variable(a)就可以了。Variable有三个比较重要的组成属性：data、grad和grad_fn。通过data可以取出Variable里面重要的tensor数值，grad_fn表示的是得到这个Variable的操作。比如通过加减还是乘除来得到的，最后grad是这个Variable的反向传播梯度，下面通过例子来具体说明一下：

# Create Variable

x = Variable(torch.Tensor([1]), requires_grad=True)
w = Variable(torch.Tensor([2]), requires_grad=True)
b = Variable(torch.Tensor([3]), requires_grad=True)

# Build a computational graph.
y = w * x + b    # y = 2 * x + b

# Compute gradients
y.backward()  #same as y.backward(torch.FloatTensor([1]))
# Print out the gradients.
print(x.grad)    # x.grad = 2
print(w.grad)    # x.grad = 1
print(b.grad)    # x.grad = 1

构建Variable，要注意得传入一个参数requires_grad=True，这个参数表示是否对这个变形求梯度，默认的是False，也就是不对这个变量求梯度，这里我们希望得到这些变量的梯度，所以需要传入这个参数。从上面的代码中，我们注意到了一行y.backward()，这一行代码就是所谓的自动求导这其实等价于y.backward(torch.FloatTensor([1]))，只不过对于标量求导里面的参数就可以不写了，自动求导不需要你再去明确哪个函数对哪个函数求导，得到它们的梯度，然后通过x.grad可以得到x的梯度。

x = torch.randn(3)
x = Variable(x, requires_grad=Ture)

y = x * 3
print(y)

y.backward(torch.FloatTensor([1, 0.1, 0.01]))
print(x.grad)

相当于给出了一个三维向量去做运算，这时候得到的结果y就是一个向量，这里对这个向量求导就不能直接写成y.backward()，这样程序就会报错的。这个时候需要传入参数声明，比如y.backward(troch.FloatTensor([1, 1, 1]))，这样得到的结果就是它们每个分量的梯度，或者可以传入y.backward(torch.FloatTensor([1, 0.1, 0.01]))，这样得到的梯度就是它们原本的梯度分别乘上1, 0.1和0.01。

3、Dataset(数据集)

在处理任何机器学习问题之前都需要数据读取，并进行预处理。Pytorch提供了很多工具使得数据的读取和预处理变得容易。torch.utils.data.Dataset是代表这一数据的抽象类，你可以自己定义你的数据类型继承好重写这个抽象类，非常简单，只需要定义__len__和__getitem__这两个函数：

class myDataset(Dataset):
    def __init__(self, csv_file, txt_file, root_dir, other_file):
        self.csv_data = pd.read_csv(csv_file)
        with open(txt_file, 'r') as f:
           data_list = f.readline()
        self.txt_data = data_list
        self.root_dir = root_dir
    def __len__(self):
        return len(self.csv_data)
    
    def __getitem__(self. idx):
        data = (self.csv_data[idx], self.txt_data[idx])
        return data

通过上面的方式，可以定义我们需要的数据类，可以通过迭代的方式类取得每一个数据，但是这样很难实现取batch，shuffle或者是多线程去读取数据，所以Pytorch中提供了一个简单的办法来做这个事情，通过torch.utils.data.DataLoader来定义一个新的迭代器，如下：

dataiter = DataLoader(myDataset, batch_size=32, shuffle = Ture, collate_fn = default_collate)

里面的参数都是特别清楚，只有collate_fn是表示如何取样本的，我们可以定义自己的函数来准确地实现想要的功能，默认的函数在一般情况下都是可以使用的。另外在torchvision这个包中还有一个更高级的有关于计算机视觉的数据读取类：ImageFolder，主要功能是处理图片，且要求图片是线面这种存放方式：

root/dog/xxx.png
root/dog/xxy.png
root/dog/xxz.png

root/dog/123.png
root/dog/asd.png
root/dog/zxc.png

之后这样来调用这个类：

dset = ImageFolder(root='root_path', transform=None, loader=default_loader)

其中的root需要是根目录，在这个目录下有几个文件，每个文件夹表示一个类别：transform和target_transfrom是图片增强，之后我们会详细讲：loader是图片读取的办法，因为我们读取的是图片的名字，然后通过loader经图片转换成我们需要的图片类型进入神经网络。

3.1.4、nn.Module(模组)

在Pytorch里面编写神经网络，所有的层结构和损失函数都来自由torch.nn，所有的模型构建都是从这个基类nn.Module继承的，于是有了下面这个模板。

class net_name(nn.Module):
    def __init__(self, other_argument):
        super(net_name, self).___init__()
        self.cov1 = nn.Conv2d(in_channels, cut_channels, kernel_size)
        # other network layer
    
    def forward(self, x):
        x = self.conv1(x)
        return x

这样就就建立了一个计算图，并且这个结构可以复用多次，每次调用就相当于用该计算图定义的相同参数做一次前向传播，这得益于Pytorch的自动求导功能，所以我们不需要自己编写反向传播，而所有的网络层都是由nn这个包得到的，比如线性层nn.Linear，等之后使用的时候我们可以详细地介绍每一种网络对应的结构，以及如何调用。定义完模型之后，我们需要通过nn这个包来定义损失函数。常见的损失函数都已经定义在了nn中，比如均方误差、多分类的定义熵，以及二分类的交叉熵，等等，调用这些已经定义好的损失函数也很简单：

criterion = nn.CrossEntropyLoss()
loss = criterion(output, target)

这样就能求得我们的输出和真实目标之间的损失函数了。

5、troch.optim(优化)

在机器学习或者深度学习中，我们需要通过修改参数使得损失函数最小化(或最大化)，优化算法就是一种调整模型参数更新的策略。优化算法分为两大类。

1、一阶优化算法

这种算法使用各个参数的梯度值来更新参数，最常见的一阶优化算法是梯度下降。所谓的梯度就是导数的多变量表达式，函数的梯度形成了一个向量场，同时也是一个方向。这个方向上方向导数最大，且等于梯度。梯度下降的功能是通过寻找最小值，控制方差，更新模型参数，最终使模型收敛，网络的参数更新公式是：

\large \theta = \theta -\eta \times \frac{\partial J(\theta )}{\partial \theta }

其中

\large \eta

是学习率，

\large \frac{\partial J(\theta )}{\partial \theta x}

是函数的梯度。这是深度学习里面最常见的优化方法。

2、二阶优化算法

二阶优化算法使用了二阶导数(也叫做Hessian方法)来最下化或最大化损失函数，主要基于牛顿法，但是由于二阶导数的计算成本很高，所以这种方法并没有广泛使用。torch.optim是一个实现各种优化算法的包，大多数常见的算法都能够直接通过这个包来调用，比如随机梯度下降，以及添加动量的随机梯度下降，自使用学习率等。在调用的时候将需要优化的参数导入，这些参数都必须是Variable，然后传入一些基本的设定，比如计算率和动量等。

下面举一个例子：

optimizer = torch.optim,SGD(model.parameter(), lr=0.01, momentum=0.9)

这样我们就将模型的参数作为需要更新的参数传入优化器，设定学习率0.01，动量是0.9,的随机梯度下降，在优化之前需要先将梯度归零，即optimizer.zeros()，然后通过loss.backward()反向传播，自动求导得到两个参数的梯度，最后只需要optimizer.step()就可以通过梯度做一步参数更新。

6、模型的保存和加载

在Pytorch里面使用torch.save来保存模型的结构和参数，有两种保存方式：

(1)保存整个模型的结构信息和参数信息，保存的对象是模型model；

(2)保存模型的参数，保存的对象是模型的状态model.state_dict()。

可以这样保存，save的第一个参数是保存对象，第二个参数是保存路径及名称：

torch.save(model, './model.pth')
torch.save(model.state_dict(), './model_state.pth')

加载模型有两种方式对应于保存模型的方式： (1)加载完整的模型结构和参数信息，使用load_model = torch.load('model.pth')，在网络较大的时候加载的时间比较长，同时存储空间比较大；

(2)加载模型参数信息，需要先导入模型的结构，然后通过model.load_state_dic(torch.load('model_state.pth'))来导入。