本文共 7810 字，大约阅读时间需要 26 分钟。

pytorch是什么

    它是一个基于python的科学计算库，致力于为两类用户提供服务：

1. 一些想要找到Numpy搭建神经网络替代品的用户；
2. 寻找一个可提供极强的可拓展性和运行速度的深度学习研究平台；

   from __future__ import print_functionimport torch# 这个是用来生成一个为未初始化的5*3的张量，切记不是全零x = torch.empty(5, 3)print(x)"""tensor([[2.7712e+35, 4.5886e-41, 7.2927e-04],        [3.0780e-41, 3.8725e+35, 4.5886e-41],        [4.4446e-17, 4.5886e-41, 3.9665e+35],        [4.5886e-41, 3.9648e+35, 4.5886e-41],        [3.8722e+35, 4.5886e-41, 4.4446e-17]])"""# 这个是生成一个均匀分布的初始化的，每个元素从0~1的张量，与第一个要区别开，另外，还有其它的随机张量生成函数，如torch.randn()、torch.normal()、torch.linespace()，分别是标准正态分布，离散正态分布，线性间距向量x = torch.rand(5, 3)print(x)"""tensor([[0.9600, 0.0110, 0.9917],        [0.9549, 0.1732, 0.7781],        [0.8098, 0.5300, 0.5747],        [0.5976, 0.1412, 0.9444],        [0.6023, 0.7750, 0.5772]])"""# 这个是初始化一个全零张量，可以指定每个元素的类型。x = torch.zeros(5, 3, dtype=torch.long)print(x)"""tensor([[0, 0, 0],        [0, 0, 0],        [0, 0, 0],        [0, 0, 0],        [0, 0, 0]])"""#从已有矩阵转化为张量x = torch.tensor([5.5, 3])print(x)"""tensor([5.5000, 3.0000])"""# 从已有张量中创造一个张量，新的张量将会重用已有张量的属性。如：若不提供新的值，那么每个值的类型将会被重用。x = x.new_ones(5, 3, dtype=torch.double)      # new_* methods take in sizesprint(x)x = torch.randn_like(x, dtype=torch.float)    # override dtype!print(x)                                      # result has the same size"""tensor([[1., 1., 1.],        [1., 1., 1.],        [1., 1., 1.],        [1., 1., 1.],        [1., 1., 1.]], dtype=torch.float64)tensor([[ 0.3327, -0.2405, -1.3764],        [-0.1040, -0.9072,  0.0069],        [-0.2622,  1.8072,  0.0175],        [ 0.0572, -0.6766,  1.6201],        [-0.7197, -1.1166,  1.7308]])        """# 最后我们学习如何获取张量的形状，一个小Tip,torch.Size是一个元组，所以支持元组的操作。print(x.size())"""torch.Size([5, 3])"""

   2. 张量的操作

       实际上有很多语法来操作张量，现在我们来看一看加法。

y = torch.rand(5, 3)# 加法方式1print(x + y)"""tensor([[ 1.2461,  0.6067, -0.9796],        [ 0.0663, -0.9046,  0.8010],        [ 0.4199,  1.8893,  0.7887],        [ 0.6264, -0.2058,  1.8550],        [ 0.0445, -0.8441,  2.2513]])"""# 加法方式2print(torch.add(x, y))"""tensor([[ 1.2461,  0.6067, -0.9796],        [ 0.0663, -0.9046,  0.8010],        [ 0.4199,  1.8893,  0.7887],        [ 0.6264, -0.2058,  1.8550],        [ 0.0445, -0.8441,  2.2513]])"""# 还可以加参数result = torch.empty(5, 3)torch.add(x, y, out=result)print(result)"""tensor([[ 1.2461,  0.6067, -0.9796],        [ 0.0663, -0.9046,  0.8010],        [ 0.4199,  1.8893,  0.7887],        [ 0.6264, -0.2058,  1.8550],        [ 0.0445, -0.8441,  2.2513]])"""# 方法二的一种变式，注意有一个‘_’，这个符号在所有替换自身操作符的末尾都有，另外，输出的方式还可以象python一样。y.add_(x)print(y)"""tensor([[ 1.2461,  0.6067, -0.9796],        [ 0.0663, -0.9046,  0.8010],        [ 0.4199,  1.8893,  0.7887],        [ 0.6264, -0.2058,  1.8550],        [ 0.0445, -0.8441,  2.2513]])"""print(x[:, 1])"""tensor([-0.2405, -0.9072,  1.8072, -0.6766, -1.1166])"""

 

x = torch.randn(4, 4)y = x.view(16)z = x.view(-1, 8)  # the size -1 is inferred from other dimensionsprint(x.size(), y.size(), z.size())"""torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])"""

 

3. 张量和Numpy的相互转换

    张量和Numpy数组之间的转换十分容易。

• Tensor到Nump，在使用Cpu的情况下，张量和array将共享他们的物理位置，改变其中一个的值，另一个也会随之变化。

Numpy到Tensor ，在使用Cpu的情况下，张量和array将共享他们的物理位置，改变其中一个的值，另一个也会随之变化

import numpy as np

a = np.ones(5) b = torch.from_numpy(a) np.add(a, 1, out=a) print(a) print(b) """ [2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

 

 

自动微分    在pytorch中，神经网络的核心是自动微分，在本节中我们会初探这个部分，也会训练一个小型的神经网络。自动微分包会提供自动微分的操作，它是一个取决于每一轮的运行的库，你的下一次的结果会和你上一轮运行的代码有关，因此，每一轮的结果，有可能都不一样。接下来，让我们来看一些例子。1. 张量    torch.Tensor是这个包的核心类，如果你设置了它的参数 ‘.requires_grad=true’ 的话，它将会开始去追踪所有的在这个张量上面的运算。当你完成你得计算的时候，你可以调用’backwward()来计算所有的微分。这个向量的梯度将会自动被保存在’grad’这个属性里面。    如果想要阻止张量跟踪历史数据，你可以调用’detach()'来将它从计算历史中分离出来，当然未来所有计算的数据也将不会被保存。或者你可以使用’with torch.no_grad()‘来调用代码块，不光会阻止梯度计算，还会避免使用储存空间，这个在计算模型的时候将会有很大的用处，因为模型梯度计算的这个属性默认是开启的，而我们可能并不需要。    第二个非常重要的类是Function，Tensor和Function,他们两个是相互联系的并且可以搭建一个非循环的运算图。每一个张量都有一个’grad_fn’的属性，它可以调用Function来创建Tensor，当然，如果用户自己创建了Tensor的话，那这个属性自动设置为None。    如果你想要计算引出量的话，你可以调用’.backward()'在Tensor上面，如果Tensor是一个纯数的话，那么你将不必要指明任何参数；如果它不是纯数的话，你需要指明一个和张量形状匹配的梯度的参数。下面来看一些例程。

神经网络可以用torch.nn构建。现在我们可以来看一看autograd这个部分了，torch.nn依赖于它它来定义模型并做微分，nn.Module包含神经层，forward(input)可以用来返回output.例如，看接下来这个可以给数字图像分层的网络。

这个是一个简单前馈网络，它将输入经过一层层的传递，最后给出了结果。一个经典的神经网络的学习过程如下所示：

定义神经网络及其参数；

在数据集上多次迭代循环； 通过神经网络处理数据集； 计算损失（输出和正确的结果之间相差的距离）； 用梯度对参数反向影响； 更新神经网络的权重，weight = weight - rate * gradient；  

1.定义网络

import torchimport torch.nn as nnimport torch.nn.functional as F# 汉字均为我个人理解，英文为原文标注。class Net(nn.Module):    def __init__(self):        # 继承原有模型        super(Net, self).__init__()        # 1 input image channel, 6 output channels, 5x5 square convolution        # kernel        # 定义了两个卷积层        # 第一层是输入1维的（说明是单通道，灰色的图片）图片，输出6维的的卷积层（说明用到了6个卷积核，而每个卷积核是5*5的）。        self.conv1 = nn.Conv2d(1, 6, 5)        # 第一层是输入1维的（说明是单通道，灰色的图片）图片，输出6维的的卷积层（说明用到了6个卷积核，而每个卷积核是5*5的）。        self.conv2 = nn.Conv2d(6, 16, 5)        # an affine operation: y = Wx + b        # 定义了三个全连接层，即fc1与conv2相连，将16张5*5的卷积网络一维化，并输出120个节点。        self.fc1 = nn.Linear(16 * 5 * 5, 120)        # 将120个节点转化为84个。        self.fc2 = nn.Linear(120, 84)        # 将84个节点输出为10个，即有10个分类结果。        self.fc3 = nn.Linear(84, 10)    def forward(self, x):        # Max pooling over a (2, 2) window        # 用relu激活函数作为一个池化层，池化的窗口大小是2*2，这个也与上文的16*5*5的计算结果相符（一开始我没弄懂为什么fc1的输入点数是16*5*5,后来发现，这个例子是建立在lenet5上的）。        # 这句整体的意思是，先用conv1卷积，然后激活，激活的窗口是2*2。        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))        # If the size is a square you can only specify a single number        # 作用同上，然后有个需要注意的地方是在窗口是正方形的时候，2的写法等同于（2，2）。        # 这句整体的意思是，先用conv2卷积，然后激活，激活的窗口是2*2。        x = F.max_pool2d(F.relu(self.conv2(x)), 2)        # 这句整体的意思是，调用下面的定义好的查看特征数量的函数，将我们高维的向量转化为一维。        x = x.view(-1, self.num_flat_features(x))        # 用一下全连接层fc1，然后做一个激活。        x = F.relu(self.fc1(x))        # 用一下全连接层fc2，然后做一个激活。        x = F.relu(self.fc2(x))        # 用一下全连接层fc3。        x = self.fc3(x)        return x    def num_flat_features(self, x):        # 承接上文的引用，这里需要注意的是，由于pytorch只接受图片集的输入方式（原文的单词是batch）,所以第一个代表个数的维度被忽略。        size = x.size()[1:]  # all dimensions except the batch dimension        num_features = 1        for s in size:            num_features *= s        return num_featuresnet = Net()print(net)"""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))"""# 现在我们已经构建好模型了，但是还没有开始用bp呢，如果你对前面的内容有一些印象的话，你就会想起来不需要我们自己去搭建，我们只需要用某一个属性就可以了，autograd。# 现在我们需要来看一看我们的模型，下列语句可以帮助你看一下这个模型的一些具体情况。params = list(net.parameters())print(len(params))print(params[0].size())  # conv1's .weight"""10torch.Size([6, 1, 5, 5])"""input = torch.randn(1, 1, 32, 32)out = net(input)print(out)"""tensor([[ 0.0114,  0.0476, -0.0647,  0.0381,  0.0088, -0.1024, -0.0354,  0.0220,         -0.0471,  0.0586]], grad_fn=
   
    )"""#最后让我们清空缓存，准备下一阶段的任务。net.zero_grad()out.backward(torch.randn(1, 10))
   

2. 损失函数

  先介绍一下损失函数是干什么的：它可以用来度量输出和目标之间的差距，那度量出来有什么意义呢？还记得我们的反向传播吗？他可以将误差作为一个反馈来影响我们之前的参数，更新参数将会在下一节中讲到。当然度量的方法有很多，我们这里选用nn.MSELoss来计算误差，下面接着完善上面的例程。  

训练分类器

1. 首先进行数据处理   我们知道，要想有一个好的模型你必须有一些好的数据，并将他们转化为模型可以理解的语言，这个工作非常重要。对于前者我将来会写一个博客介绍我所知道的几种方法，现在我们来看后者。   我们知道，要想有一个好的模型你必须有一些好的数据，并将他们转化为模型可以理解的语言，这个工作非常重要。对于前者我将来会写一个博客介绍我所知道的几种方法，现在我们来看后者如何解决。   众所周知，当我们需要处理图像，文本，音频或者视频数据的时候，你可以使用标准的python库来将这些书v就转化为numpy array，然后你可以其再转化为Tensor。下面列出一些相应的python库： 特别是对于视觉领域，我们写了一个叫做torchvision的包，他可以将很多知名数据的数据即涵盖在内。并且，通过torchvision.datasets 和 torch.utils.data.DataLoader 进行数据的转化。在本里中我们将会使用 CIFAR10 数据集，它有以下各类： ‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。在这个数据集中的图像尺寸都是33232的。  

2. 开始训练模型

• 先说一下训练步骤.

1. 首先装载数据，并将其统一化；
2. 定义CNN；
3. 定义损失函数；
4. 训练神经网络；
5. 测试网络；

 

 

 

转载地址：https://blog.csdn.net/xiamaocheng/article/details/104378613 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！