《深度学习框架PyTorch：入门与实践》读书笔记

时间：2019-12-11 22:31:34 收藏：0 阅读：158

https://github.com/chenyuntc/pytorch-book

Chapter2 ：PyTorch快速入门 + Chapter3: Tensor和Autograd + Chapter4 : 神经网络工具箱nn

Tensor

函数名后面带_的函数会修改Tensor本身,例如y.add_(x)会改变y.
tensor.numpy()和torch.from_numpy(ndarray)可以完成tensor和ndarray之间的转换.注意它们之间是共享内存的, 其中一个改变会导致另一个改变.但是如果两者的数据类型不一样时, 或者使用的是t.tensor(ndarray)进行转换, 会进行数据复制, 不会共享内存.
tensor[idx]得到的还是tensor,只有一个元素的tensor可以用tensor.item()取出其中的值.
只有0-dim的tensor通常称为scalar, 例如tensor([1])是1-dim, tensor(1)是0-dim.
torch.中常用的创建tensor的方法包括tensor(), Tensor(), ones(), zeros(), arange(), randn(), randperm(), eye(), linspace().
torch.Tensor()是Python类, 生成的是torch.FloatTensor(), torch.tensor()是Python函数, 会从数据部分做拷贝, 根据原始数据类型生成相应的torch.LongTensor、torch.FloatTensor或torch.DoubleTensor. torch.Tensor([1])[0]等价于torch.tensor(1.0). 建议使用torch.tensor().
torch.Tensor()可以接受list, 可以指定形状, 可以传入其它tensor.它创建的tensor会在使用时才分配空间, 其它方法都是在创建时分配.
torch.tensor()会进行数据拷贝,新旧数据不共享内存;torch.detach()会共享内存.
在对较大的tensor进行科学计算时, 养成向量化的思维习惯, 避免对较大的tensor进行逐元素遍历.

常用Tensor操作

tensor.size()等价于tensor.shape.

一般通过以下代码将tensor转为GPU的tensor

device = torch.device(“cuda:0” if torch.cuda.is_available() else “cpu”)
x = x.to(device)

tensor.view()可以调整形状, 传入参数为-1时会自动计算剩余一个维度的所需大小.view()不会修改自身数据,返回的新tensor和源tensor共享内存.
tensor.unsqueeze()会在指定的维数增加一个tensor的维度.
tensor.squeeze()会在指定的维数压缩tensor的维度, 若不指定则压缩所有为1的维度.注意如果传入的维数不为“1”, 则不会进行压缩.
tensor支持索引操作, 索引结果通常和原tensor共享内存.可以用tensor[:, 0]的语法来指定第0列, 等价于tensor[:][0].
tensor[None]会为tensor新增一个轴.
tensor的索引支持传入BoolTensor, 例如a[a>1]等价于a.masked_select(a>1).
tensor.gather()可以指定dim和index, 输出tensor的形状与index相同, 并且是沿着dim的方向产生的.
比较常用的tensor类型有FloatTensor和LongTensor, 可以通过type()或float()、long()等方法转换.

逐元素操作

这部分操作会对tensor进行point-wise的操作, 输入与输出形状一致.
运算操作, 例如abs(), sqrt(), div(), pow(), mul(), cos(), sin()等等.其中部分实现了运算符重载, 例如*, /, **.
取整操作, 例如向上取整ceil(), 四舍五入round(), 向下取整floor(), 保留整数trunc(), 截断clamp(input, min, max).
激活函数, 例如sigmoid(), tanh().

归并操作

会使输出形状小于输入形状, 并且可以指定沿着某一维度进行操作.
常见的有mean(), sum(), norm(), std()等.

比较

大于小于等于之类的比较操作实现了运算符重载, 返回结果是BoolTensor.
max和min用于一个tensor时, 返回其中最大的数; 用于一个tensor和dim时, 返回最大元素的tensor和下标的tensor; 用于两个tensor时, 返回一个与它们形状相同的较大元素的tensor.

Autograd:自动微分

只需设置tensor.requries_grad=True就可以使tensor使用autograd功能, 可以自动提供微分,从而实现反向传播求导.
grad在反向传播中是累加的, 所以每次运行反向传播前需要把梯度清零, 一般会使用optimizer.zero_grad()来清空.
PyTorch累加梯度的原因,一是增加了训练方式的自由, 二是可以减少内存消耗, 对于多任务中前面共享部分的tensor, 调用不同任务loss的backward会自动累加梯度.例如可以采用梯度累加方式进行训练, 多个batch后再更新一次网络参数, 变相实现了batchsize的扩大.

神经网络

torch.nn是专门为神经网络设计的模块化接口, 构建于autograd之上, 其中最重要的类是nn.Module, 是一个网络的封装, 包含各层定义和forward方法.
定义网络时, 继承nn.Module, 并实现forward方法, 把具有可学习参数的层放在构造函数__init__中, 如果某一层不具有可学习参数, 一般不放在其中, 只在forward方法中用nn.functional写出.
nn.Module(input)等同于nn.Module.forward(input).在实际中应该尽量使用前者.

nn.Module子类的函数必须在构造函数中执行父类的构造函数, 即super(Net, self).__init__().

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

class Net(nn.Module):
    def __init__(self):
        # nn.Module子类的函数必须在构造函数中执行父类的构造函数
        # 下式等价于nn.Module.__init__(self)
        super(Net, self).__init__()
        
        # 卷积层 ‘1‘表示输入图片为单通道, ‘6‘表示输出通道数，‘5‘表示卷积核为5*5
        self.conv1 = nn.Conv2d(1, 6, 5) 
        # 卷积层
        self.conv2 = nn.Conv2d(6, 16, 5) 
        # 仿射层/全连接层，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): 
        # 卷积 -> 激活 -> 池化 
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        x = F.max_pool2d(F.relu(self.conv2(x)), 2) 
        # reshape，‘-1’表示自适应
        x = x.view(x.size()[0], -1) 
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)        
        return x

net = Net()
print(net)

通过net.parameters()可以获得网络的可学习参数, net.named_parameters()可以获得网络的可学习参数及名称.

前馈神经网络的forward函数有两种简化方式:Sequential可以包含几个子Module,ModuleList是Module的子类,可以用在Module中,类似于list.

net1 = nn.Sequential(
    nn.Conv2d(3,3,3),
    nn.BatchNorm(3),
    nn.ReLU()
    )

class MyModule(nn.Module):
  def __init__(self):
    super(MyModule, self).__init__()
    self.module_list = nn.ModuleLIst([nn.Conv2d(3,3,3), nn.ReLU()])
  def forward(self):
    pass

torch.nn只支持mini-batches, 如果想一次只输入一个样本, 需要用input.unsqueeze(0)将batch_size设置为1.
PyTorch实现了最常用的三种RNN和对应的RNNCell: RNN、LSTM、GRU. 前者一次能够处理整个序列, 后者一次只处理序列中一个时间点的数据.
PyTorch还提供了用于词向量的Embedding层, 例如4个词, 每个词有5维可以如下表示embedding = nn.Embedding(4, 5), 会随机初始化一个0-index的4*5的二维表,其中存储了每个词的词向量. 也可以用预训练好的词向量初始化embedding.
对于batchnorm、dropout等训练和测试阶段行为不同的层, 推荐用module.train()和module.eval()来设置它们的training属性.
所有的Module对象都具有state_dict()函数,可以使用torch.save(net.state_dict(), ‘net.pth‘)和net.load_state_dict(torch.load(‘net.pth‘))来保存和载入模型.
多GPU并行运算的方式有两种, nn.parallel.data_parallel会利用多GPU并行计算出结果, nn.DataParallel会返回一个能自动在多GPU上并行计算的模型.

损失函数

torch.nn实现了大多数损失函数,例如nn.MSELoss, nn.CrossEntropyLoss.
一般用法是criterion = nn.LossFunc(), loss = criterion(output, target).
当计算出loss后, 就可以清空梯度, 进行反向传播, 此时网络参数的梯度就计算完成.

优化器

torch.optim实现了大多数优化方法, 例如RMSProp, Adam, SGD.
optimizer可以通过名字,为不同子网络或不同层指定不同的学习率.调整学习率可以通过修改optimizer.param_groups中对应的学习率实现, 也可以直接新建优化器.后者较简单也较推荐, 缺点是会丢失Adam等算法中的动量信息.

在反向传播完成后, 通过optimizer.step()就可以更新权重和参数.

for epoch in range(num_epoches):
  running_loss = 0
  for i,(images,target) in enumerate(train_loader):
      # 1. input output
      images = images.cuda(non_blocking=True)
      target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)
      outputs = model(images)
      loss = criterion(outputs,target)

      # 2. backward
      optimizer = optim.SGD(model.parameters())
      optimizer.zero_grad()   # reset gradient
      loss.backward()
      optimizer.step()
      running_loss += loss.item()
      print(‘running_loss : ‘, running_loss)
      running_loss = 0.0

Chapter5 : PyTorch常用工具模块

数据加载与预处理

一般使用torchvision来对数据进行加载与预处理.
torch.transforms可以用来定义预处理器, 例如transforms.Compose()可以将转换为Tensor、归一化等流程结合起来.
torch.utils.data.Dataloader()是一个可迭代对象, 将dataset返回的数据拼接为一个batch, 并提供多线程加速、shuffle等操作.
在测试的时候不需要求导, 可以把评估代码写在with torch.no_grad()代码段下面, 提高速度.

原文：https://www.cnblogs.com/limitlessun/p/12025105.html