PyTorch 组件

最近更新时间:2019-06-21 17:32:28

PyTorch 是一种基于 Python 为接口的深度学习框架,允许用户利用 GPU 资源对矩阵进行运算,类似 numpy 中 Array 的运算,更多详细介绍可参考 PyTorch 文档

版本说明

PyTorch 组件中使用的 Python 版本和支持的第三方模块版本信息如下:

  • Python 3.6
  • SciPy 1.0.0
  • NumPy 1.14.3

如果您需要使用其他第三方的 lib,可使用 pip 在代码内安装,示例如下:

import pip
pip.main(['install', "package_name"])

操作步骤

  1. 添加组件
    从左侧菜单栏中,选择【组件】>【深度学习】列表下的 PyTorch 节点,将其拖拽至画布中。
  2. 配置参数
  3. 脚本及依赖包文件上传:
    将任务脚本上传至程序脚本框。如果需要依赖文件,则压缩为 zip 文件后通过 依赖包文件 框上传。
  4. 程序依赖:
    指定位于 COS 中的用户依赖文件路径,指定内容将被拷贝到程序脚本同一级目录下。支持目录或者文件依赖,若存在多个文件则以英文逗号分隔 。
  5. 程序参数:
    指定运行任务脚本的参数。
  6. 配置资源
    在【资源参数】列表框配置任务的资源参数。
  7. 运行
    单击【保存】并运行工作流。
  8. 查看 PyTorch 控制台和日志
    在 PyTorch 节点上单击右键菜单可查看任务状态和详细日志。

    详细日志如下:
    说明:

    stdout.log 为全部日志,stderr.log 为错误日志。

示例

以下代码展示了在 PyTorch 框架中,调用 torch.nn 构建一个典型神经网络(NN)的方法。
输入:

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # Max pooling over a (2, 2) window
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # If the size is a square you can only specify a single number
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]  # all dimensions except the batch dimension
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

net = Net()
print(net)

输出:

Net(
  (conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
  (conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
  (fc1): Linear(in_features=400, out_features=120, bias=True)
  (fc2): Linear(in_features=120, out_features=84, bias=True)
  (fc3): Linear(in_features=84, out_features=10, bias=True)
)