内容简介:DatawhaleDatawhale,和鲸社区编辑PyTorch是一个基于Python的库,提供了一个具有灵活易用的深度学习框架,是近年来最受欢迎的深度学习框架之一。
Datawhale
Datawhale,和鲸社区编辑
PyTorch是一个基于 Python 的库,提供了一个具有灵活易用的深度学习框架,是近年来最受欢迎的深度学习框架之一。
未经授权,禁止转载。
1 初识PyTorch
1.1 张量
1.导入pytorch包
import torch
2.创建一个空的5x3张量
x = torch.empty(5, 3) print(x)
3.创建一个随机初始化的5x3张量
x = torch.rand(5, 3) print(x)
4.创建一个5x3的0张量,类型为long
x = torch.zeros(5, 3, dtype=torch.long) print(x)
5.直接从数组创建张量
x = torch.tensor([5.5, 3]) print(x)
6.创建一个5x3的单位张量,类型为double
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
x = torch.randn_like(x, dtype=torch.float) print(x)
8.打印一个张量的维度
print(x.size())
9.将两个张量相加
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
print(x[:, 1])
11.将一个4x4的张量resize成一个一维张量
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
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
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
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
a.add_(1) print(a) print(b)
16.从numpy数组创建张量
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
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
x = torch.ones(2, 2, requires_grad=True) print(x)
19.对张量进行任意操作(y = x + 2)
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
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
out.backward()
22.打印梯度d(out)/dx
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)
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
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
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
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
params = list(net.parameters()) # print(params) print(len(params))
38.打印某一层参数的形状
print(params[0].size())
39.随机输入一个向量,查看前向传播输出
input = torch.randn(1, 1, 32, 32) out = net(input) print(out)
40.将梯度初始化
net.zero_grad()
41.随机一个梯度进行反向传播
out.backward(torch.randn(1, 10))
3.2 损失函数
42.用自带的MSELoss()定义损失函数
criterion = nn.MSELoss()
43.随机一个真值,并用随机的输入计算损失
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
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
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
import torch.optim as optim optimizer = optim.SGD(net.parameters(), lr=0.01)
47.使用优化器更新权重
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
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
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
net2 = Net()
4.3 定义损失函数和优化器
49.定义交叉熵损失函数
criterion2 = nn.CrossEntropyLoss()
50.定义SGD优化器算法,学习率设置为0.001,
momentum=0.9
optimizer2 = optim.SGD(net2.parameters(), lr=0.001, momentum=0.9)
4.4训练网络
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
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
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
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
PATH = './cifar_net.pth' torch.save(net.state_dict(), PATH)
59.读取保存的模型
pretrained_net = torch.load(PATH)
60.加载模型
net3 = Net()
net3.load_state_dict(pretrained_net)
PDF下载: https://pan.baidu.com/s/1UBMJk99edfMvM8CckCiO9w
AI学习路线和优质资源,在后台回复"AI"获取
以上所述就是小编给大家介绍的《60题PyTorch简易入门指南,做技术的弄潮儿!》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 弄潮AI,浪潮在等待下一波海水涌动
- 浪潮亮相Open Infrastructure:开放基础设施时代的“弄潮儿”
- 走在前沿的弄潮儿,怎能不会Git的那些奇技淫巧
- Emacs 入门指南
- Helm 入门指南
- 《Flutter 入门指南》
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Algorithms of the Intelligent Web
Haralambos Marmanis、Dmitry Babenko / Manning Publications / 2009-7-8 / GBP 28.99
Web 2.0 applications provide a rich user experience, but the parts you can't see are just as important-and impressive. They use powerful techniques to process information intelligently and offer featu......一起来看看 《Algorithms of the Intelligent Web》 这本书的介绍吧!