干货 深度学习实验流程及PyTorch提供的解决方案

▌常见的Research workflow

某一天, 你坐在实验室的椅子上, 突然:

你脑子里迸发出一个idea

你看了关于某一theory的文章, 想试试:　要是把xx也加进去会怎么样

你老板突然给你一张纸, 然后说: 那个谁, 来把这个东西实现一下

于是, 你设计了实验流程, 并为这一idea挑选了合适的数据集和运行环境, 然后你废寝忘食的实现了模型, 经过长时间的训练和测试, 你发现:

这idea不work --> 那算了 or 再调调

这idea很work --> 可以写paper了

我们可以把上述流程用下图表示:

实际上, 常见的流程由下面几项组成起来:

一旦选定了数据集, 你就要写一些函数去load 数据集, 然后pre-process数据集, normalize 数据集, 可以说这是一个实验中占比重最多的部分, 因为:

每个数据集的格式都不太一样

预处理和正则化的方式也不尽相同

需要一个快速的dataloader 来feed data, 越快越好

然后, 你就要实现自己的模型, 如果你是CV方向的你可能想实现一个ResNet,如果你是NLP相关的你可能想实现一个Seq2Seq

接下来, 你需要实现训练步骤, 分batch, 循环epoch

在若干轮的训练后, 总要checkpoint一下, 才是最安全的

你还需要构建一些baseline,以验证自己idea的有效性

如果你实现的是神经网络模型, 当然离不开GPU的支持

很多深度学习框架提供了常见的损失函数, 但大部分时间, 损失函数都要和具体任务结合起来, 然后重新实现

使用优化方法, 优化构建的模型, 动态调整学习率

▌Pytorch 给出的解决方案

对于加载数据, Pytorch提出了多种解决办法

Pytorch 是一个Python包,而不是某些大型C++库的Python 接口, 所以, 对于数据集本身提供Python　API的, Pytorch 可以直接调用, 不必特殊处理.

Pytorch 集成了常用数据集的data loader

虽然以上措施已经能涵盖大部分数据集了, 但Pytorch还开展了两个项目: vision, 和text, 见下图灰色背景部分. 这两个项目, 采用众包机制, 收集了大量的dataloader, pre-process 以及 normalize, 分别对应于图像和文本信息.

对于构建模型, Pytorch也提供了三种方案

使用torch.nn.Sequential 模块快速构建

net = torch.nn.Sequential(

torch.nn.Linear(1, 10),

torch.nn.ReLU(),

torch.nn.Linear(10, 1)

)

print(net)

'''

Sequential (

(0): Linear (1 -> 10)

(1): ReLU ()

(2): Linear (10 -> 1)

)

'''

集成torch.nn.Module 深度定制

class Net(torch.nn.Module):

def __init__(self, n_feature, n_hidden, n_output):

super(Net, self).__init__()

self.hidden = torch.nn.Linear(n_feature, n_hidden)

self.predict = torch.nn.Linear(n_hidden, n_output)

def forward(self, x):

x = F.relu(self.hidden(x))

x = self.predict(x)

return x

net = Net(1, 10, 1)

print(net)

'''

Net (

(hidden): Linear (1 -> 10)

(predict): Linear (10 -> 1)

)

'''

对于训练过程的Pytorch实现

batch

迭代器。

# 创建数据加载器

loader = Data.DataLoader(

dataset=torch_dataset, # TensorDataset类型数据集

batch_size=BATCH_SIZE, # mini batch size

shuffle=True, # 设置随机洗牌

num_workers=2, # 加载数据的进程个数

)

for epoch in range(3): # 训练3轮

for step, (batch_x, batch_y) in enumerate(loader): # 每一步

# 在这里写训练代码...

print('Epoch: ', epoch)

对于保存和加载模型Pytorch提供两种方案

保存和加载整个网络

# 保存和加载整个模型, 包括: 网络结构, 模型参数等

torch.save(resnet, 'model.pkl')

model = torch.load('model.pkl')

保存和加载网络中的参数

torch.save(resnet.state_dict(), 'params.pkl')

resnet.load_state_dict(torch.load('params.pkl'))

对于GPU支持

你可以直接调用Tensor的.cuda() 直接将Tensor的数据迁移到GPU的显存上, 当然, 你也可以用.cpu() 随时将数据移回内存

linear = linear.cuda() # 将网络中的参数和缓存移到GPU显存中

对于Loss函数, 以及自定义Loss

在Pytorch的包torch.nn里, 不仅包含常用且经典的Loss函数, 还会实时跟进新的Loss 包括: CosineEmbeddingLoss, TripletMarginLoss等.

如果你的idea非常新颖, Pytorch提供了三种自定义Loss的方式

import torch

import torch.nn as nn

class MyLoss(nn.Module):

# 设置超参

def __init__(self, a, b, c):

super(TripletLossFunc, self).__init__()

self.a = a

self.b = b

self.c = c

return

def forward(self, a, b, c):

# 具体实现

loss = a + b + c

return loss

然后

loss_instance = MyLoss(...)

loss = loss_instance(a, b, c)

继承torch.autograd.Function

import torch

from torch.autograd import Function

from torch.autograd import Variable

class MyLoss(Function):

def forward(input_tensor):

# 具体实现

result = ......

return torch.Tensor(result)

def backward(grad_output):

# 如果你只是需要在loss中应用这个操作的时候，这里直接return输入就可以了

# 如果你需要在nn中用到这个，需要写明具体的反向传播操作

return grad_output

这样做，你能够用常用的numpy和scipy函数来组成你的Loss

写一个Pytorch的C扩展

这里就不细讲了，未来会有内容专门介绍这一部分。

对于优化算法以及调节学习率

Pytorch集成了常见的优化算法, 包括SGD, Adam, SparseAdam, AdagradRMSprop, Rprop等等.

End