前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >60题PyTorch简易入门指南,做技术的弄潮儿!

60题PyTorch简易入门指南,做技术的弄潮儿!

作者头像
Datawhale
发布2020-02-14 14:08:59
9300
发布2020-02-14 14:08:59
举报
文章被收录于专栏:Datawhale专栏

未经授权,禁止转载。

1 初识PyTorch

1.1 张量

1.导入pytorch包

代码语言:javascript
复制
import torch

2.创建一个空的5x3张量

代码语言:javascript
复制
x = torch.empty(5, 3)
print(x)

3.创建一个随机初始化的5x3张量

代码语言:javascript
复制
x = torch.rand(5, 3)
print(x)

4.创建一个5x3的0张量,类型为long

代码语言:javascript
复制
x = torch.zeros(5, 3, dtype=torch.long)
print(x)

5.直接从数组创建张量

代码语言:javascript
复制
x = torch.tensor([5.5, 3])
print(x)

6.创建一个5x3的单位张量,类型为double

代码语言:javascript
复制
x = torch.ones(5, 3, dtype=torch.double)
print(x)

7.从已有的张量创建相同维度的新张量,并且重新定义类型为float

代码语言:javascript
复制
x = torch.randn_like(x, dtype=torch.float)
print(x)

8.打印一个张量的维度

代码语言:javascript
复制
print(x.size())

9.将两个张量相加

代码语言:javascript
复制
y = torch.rand(5, 3)
print(x + y)

# 方法二
# print(torch.add(x, y))

# 方法三
# result = torch.empty(5, 3)
# torch.add(x, y, out=result)
# print(result)

# 方法四
# y.add_(x)
# print(y)

10.取张量的第一列

代码语言:javascript
复制
print(x[:, 1])

11.将一个4x4的张量resize成一个一维张量

代码语言:javascript
复制
x = torch.randn(4, 4)
y = x.view(16)
print(x.size(),y.size())

12.将一个4x4的张量,resize成一个2x8的张量

代码语言:javascript
复制
y = x.view(2, 8)
print(x.size(),y.size())

# 方法二
z = x.view(-1, 8) # 确定一个维度,-1的维度会被自动计算
print(x.size(),z.size())

13.从张量中取出数字

代码语言:javascript
复制
x = torch.randn(1)
print(x)
print(x.item())

1.2 Numpy的操作

14.将张量装换成numpy数组

代码语言:javascript
复制
a = torch.ones(5)
print(a)

b = a.numpy()
print(b)

15.将张量+1,并观察上题中numpy数组的变化

代码语言:javascript
复制
a.add_(1)
print(a)
print(b)

16.从numpy数组创建张量

代码语言:javascript
复制
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a)
print(b)

17.将numpy数组+1并观察上题中张量的变化

代码语言:javascript
复制
np.add(a, 1, out=a)
print(a)
print(b)

2 自动微分

2.1 张量的自动微分

18.新建一个张量,并设置requires_grad=True

代码语言:javascript
复制
x = torch.ones(2, 2, requires_grad=True)
print(x)

19.对张量进行任意操作(y = x + 2)

代码语言:javascript
复制
y = x + 2
print(y)
print(y.grad_fn) # y就多了一个AddBackward

20.再对y进行任意操作

代码语言:javascript
复制
z = y * y * 3
out = z.mean()

print(z) # z多了MulBackward
print(out) # out多了MeanBackward

2.2 梯度

21.对out进行反向传播

代码语言:javascript
复制
out.backward()

22.打印梯度d(out)/dx

代码语言:javascript
复制
print(x.grad) #out=0.25*Σ3(x+2)^2

23.创建一个结果为矢量的计算过程(y=x*2^n)

代码语言:javascript
复制
x = torch.randn(3, requires_grad=True)

y = x * 2
while y.data.norm() < 1000:
    y = y * 2

print(y)

24.计算v = [0.1, 1.0, 0.0001]处的梯度

代码语言:javascript
复制
v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)
y.backward(v)

print(x.grad)

25.关闭梯度的功能

代码语言:javascript
复制
print(x.requires_grad)
print((x ** 2).requires_grad)

with torch.no_grad():
    print((x ** 2).requires_grad)
    
# 方法二
# print(x.requires_grad)
# y = x.detach()
# print(y.requires_grad)
# print(x.eq(y).all())

3 神经网络

这部分会实现LeNet5,结构如下所示

代码语言:javascript
复制
import torch
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 26.定义①的卷积层,输入为32x32的图像,卷积核大小5x5卷积核种类6
        self.conv1 = nn.Conv2d(3, 6, 5)
        # 27.定义③的卷积层,输入为前一层6个特征,卷积核大小5x5,卷积核种类16
        self.conv2 = nn.Conv2d(6, 16, 5)
        # 28.定义⑤的全链接层,输入为16*5*5,输出为120
        self.fc1 = nn.Linear(16 * 5 * 5, 120)  # 6*6 from image dimension
        # 29.定义⑥的全连接层,输入为120,输出为84
        self.fc2 = nn.Linear(120, 84)
        # 30.定义⑥的全连接层,输入为84,输出为10
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # 31.完成input-S2,先卷积+relu,再2x2下采样
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # 32.完成S2-S4,先卷积+relu,再2x2下采样
        x = F.max_pool2d(F.relu(self.conv2(x)), 2) #卷积核方形时,可以只写一个维度
        # 33.将特征向量扁平成列向量
        x = x.view(-1, 16 * 5 * 5)
        # 34.使用fc1+relu
        x = F.relu(self.fc1(x))
        # 35.使用fc2+relu
        x = F.relu(self.fc2(x))
        # 36.使用fc3
        x = self.fc3(x)
        return x


net = Net()
print(net)

37.打印网络的参数

代码语言:javascript
复制
params = list(net.parameters())
# print(params)
print(len(params))

38.打印某一层参数的形状

代码语言:javascript
复制
print(params[0].size())

39.随机输入一个向量,查看前向传播输出

代码语言:javascript
复制
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

40.将梯度初始化

代码语言:javascript
复制
net.zero_grad()

41.随机一个梯度进行反向传播

代码语言:javascript
复制
out.backward(torch.randn(1, 10))

3.2 损失函数

42.用自带的MSELoss()定义损失函数

代码语言:javascript
复制
criterion = nn.MSELoss()

43.随机一个真值,并用随机的输入计算损失

代码语言:javascript
复制
target = torch.randn(10)  # 随机真值
target = target.view(1, -1)  # 变成列向量

output = net(input)  # 用随机输入计算输出

loss = criterion(output, target)  # 计算损失
print(loss)

44.将梯度初始化,计算上一步中loss的反向传播

代码语言:javascript
复制
net.zero_grad()

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

45.计算43中loss的反向传播

代码语言:javascript
复制
loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

3.3 更新权重

46.定义SGD优化器算法,学习率设置为0.01

代码语言:javascript
复制
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.01)

47.使用优化器更新权重

代码语言:javascript
复制
optimizer.zero_grad()
output = net(input)
loss = criterion(output, target)
loss.backward()

# 更新权重
optimizer.step()

4 训练一个分类器

4.1 读取CIFAR10数据,做标准化

48.构造一个transform,将三通道(0,1)区间的数据转换成(-1,1)的数据

代码语言:javascript
复制
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

读取数据集

代码语言:javascript
复制
trainset = cifar(root = './input/cifar10', segmentation='train', transforms=transform)
testset = cifar(root = './input/cifar10', segmentation='test', transforms=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size,shuffle=True, num_workers=2)
testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size,shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

4.2 建立网络

这部分沿用前面的网络

代码语言:javascript
复制
net2 = Net()

4.3 定义损失函数和优化器

49.定义交叉熵损失函数

代码语言:javascript
复制
criterion2 = nn.CrossEntropyLoss()

50.定义SGD优化器算法,学习率设置为0.001,momentum=0.9

代码语言:javascript
复制
optimizer2 = optim.SGD(net2.parameters(), lr=0.001, momentum=0.9)

4.4训练网络

代码语言:javascript
复制
for epoch in range(2):

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 获取X,y对
        inputs, labels = data

        # 51.初始化梯度
        optimizer2.zero_grad()

        # 52.前馈
        outputs = net2(inputs)
        # 53.计算损失
        loss = criterion2(outputs, labels)
        # 54.计算梯度
        loss.backward()
        # 55.更新权值
        optimizer2.step()

        # 每2000个数据打印平均代价函数值
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

4.5 使用模型预测

取一些数据

代码语言:javascript
复制
dataiter = iter(testloader)
images, labels = dataiter.next()

# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

56.使用模型预测

代码语言:javascript
复制
outputs = net2(images)

_, predicted = torch.max(outputs, 1)

print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
                              for j in range(4)))

57.在测试集上进行打分

代码语言:javascript
复制
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net2(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

4.6 存取模型

58.保存训练好的模型

代码语言:javascript
复制
PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)

59.读取保存的模型

代码语言:javascript
复制
pretrained_net = torch.load(PATH)

60.加载模型

代码语言:javascript
复制
net3 = Net()
net3.load_state_dict(pretrained_net)

PDF下载:https://pan.baidu.com/s/1UBMJk99edfMvM8CckCiO9wI

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-01-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Datawhale 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 3.2 损失函数
  • 3.3 更新权重
  • 4 训练一个分类器
  • 4.1 读取CIFAR10数据,做标准化
  • 4.2 建立网络
  • 4.3 定义损失函数和优化器
  • 4.4训练网络
  • 4.5 使用模型预测
  • 4.6 存取模型
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档