深度学习框架PyTorch一书的学习-第一/二章

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

参考https://github.com/chenyuntc/pytorch-book/tree/v1.0

希望大家直接到上面的网址去查看代码，下面是本人的笔记

pytorch的设计遵循tensor-> variable(autograd)-> nn.Module三个由低到高的抽象层次，分别代表高维数组（张量）、自动求导（变量）和神经网络（层/模块）。这三个抽象之间联系紧密，可以同时进行修改和操作

在IPython和Jupyter notebook两个工具中使用了Jupyter notebook

更多安装内容可见：深度学习PyTorch环境安装——mac

1.tensor

Tensor是pytorch中的重要数据结构，可认为是一个高维数组。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）或更高维的数组

其简单的用法可见pytorch学习-WHAT IS PYTORCH

1)导入包

from __future__ import print_function
import torch as t

2）仅分配空间，不初始化

#构建5*3矩阵，只是分配了空间，未初始化
x = t.Tensor(,)
x

tensor([[ 0.0000e+00, 2.0000e+00, -1.0696e+12],
[-1.5849e+29, 2.4158e-12, 1.1625e+33],
[ 8.9605e-01, 1.1632e+33, 5.6003e-02],
[ 7.0374e+22, 5.7453e-44, 0.0000e+00],
[ 0.0000e+00, 2.0000e+00, -9.4044e+11]])

3）初始化

#使用[,]均匀分布随机初始化二维数组
x = t.rand(, )
x

tensor([[0.0136, 0.1579, 0.7545],
[0.0127, 0.3194, 0.0126],
[0.7604, 0.0289, 0.4808],
[0.3374, 0.8478, 0.4047],
[0.2441, 0.4211, 0.5480]])

4）获得size

print(x.size())
#两种写法，得到二维数组的行列数
#支持该写法的原因是因为torch.Size是tuple对象的子类，因此其支持tuple的所有操作，如索引等
x.size()[], x.size()

torch.Size([, ])
(, )

5）加法的几种写法

y = t.rand(,)
y

tensor([[0.6840, 0.5716, 0.3848],
[0.8492, 0.5449, 0.3555],
[0.4052, 0.5689, 0.1948],
[0.2308, 0.6252, 0.8855],
[0.0487, 0.2880, 0.9232]])

1>第一种

x + y

tensor([[0.6975, 0.7295, 1.1394],
[0.8619, 0.8643, 0.3681],
[1.1656, 0.5978, 0.6756],
[0.5681, 1.4729, 1.2902],
[0.2928, 0.7091, 1.4712]])

2>第二种

t.add(x,y)

结果相同

3》第三种：指定加法结果的输出目标为result

result = t.Tensor(,) #预分配空间存储结果
t.add(x, y, out=result)
result

结果相同

4》第四种：改变y的值

y.add_(x)
y

y变为上面的加法结果

函数名后面带下划线_的函数会修改tensor本身

2.自动微分

深度学习算法的本质是通过反向函数求导数，pytorch的Autograd模块实现了此功能。在Tensor上的所有操作，Autograd都能够为他们自动提供微分，避免手动计算的复杂过程

其中Autograd.Variable是Autograd的核心类。Tensor被封装成Variable后，可以调用它的.backward实现反向传播，自动计算所有梯度

data : 保存Variable所包含的Tensor
grad ：保存data对应的梯度，grad也是一个Variable（即也有data\grad\grad_fn三个值），而不是Tensor，它和data的形状一样
grad_fn : 指向一个Function对象，这个Function用来反向传播计算输入的梯度

1)导入包

from __future__ import print_function
import torch as t
from torch.autograd import Variable

2）新建

#使用Tensor新建一个Variable
x = Variable(t.ones(, ),requires_grad = True)
x

tensor([[., .],
[., .]], requires_grad=True)

此时查看该值的grad和grad_fn是没有返回值的，因为没有进行任何操作

x.grad_fn
x.grad

3）进行求和操作，查看梯度

y = x.sum()
y

tensor(., grad_fn=<SumBackward0>)

这时候可查看：

y.grad_fn

可知y是变量Variable x进行sum操作求来的，但是这个时候y.grad是没有返回值的，因为没有使用y进行别的操作

这个时候的x.grad也是没有值的，虽然使用x进行了sum操作，但是还没有对y反向传播来计算梯度

y.backward()#反向传播，计算梯度

然后再查看：

#因为y = x.sum() = (x[][] + x[][] + x[][] + x[][])
#每个值的梯度都为1
x.grad

tensor([[., .],
[., .]])

但是需要注意的一点就是grad在反向求和的过程中是累加的，所以反向传播前要把梯度清零

比如再运行一遍反向传播：

y.backward()
x.grad

可见返回：

tensor([[., .],
[., .]])

清零操作：

x.grad.data.zero_()#清零

再运行即可：

y.backward()
x.grad

tensor([[., .],
[., .]])

在这里简单解释一下梯度的计算，如图示：

下面我们使用代码实现一下看看是不是这样：

x = Variable(t.ones(,), requires_grad = True)
y = x +
z = y*y
k = z.mean()

然后进行反向传播，获得x的梯度：

k.backward()
x.grad

返回果然是：

tensor([[., .],
[., .]])

4）Variable和Tensor有近乎一致的接口，在实际中可以无缝切换

x = Variable(t.ones(,))
y = t.cos(x)#传入的是Variable
x_tensor_cos = t.cos(x.data)#传入的是Tensor
print(y)
x_tensor_cos

tensor([[0.5403, 0.5403, 0.5403, 0.5403, 0.5403],
[0.5403, 0.5403, 0.5403, 0.5403, 0.5403],
[0.5403, 0.5403, 0.5403, 0.5403, 0.5403],
[0.5403, 0.5403, 0.5403, 0.5403, 0.5403]])
tensor([[0.5403, 0.5403, 0.5403, 0.5403, 0.5403],
[0.5403, 0.5403, 0.5403, 0.5403, 0.5403],
[0.5403, 0.5403, 0.5403, 0.5403, 0.5403],
[0.5403, 0.5403, 0.5403, 0.5403, 0.5403]])

可见这样子得到的值并没有什么区别，返回的都是Tensor，而不是Variable

3.神经网络

torch.nn是专门为神经网络设计的模块化接口

nn构建于Autograd之上，可用来定义和运行神经网络。nn.Module是nn中最重要的类，可以把它看作一个网络的封装，包含网络各层定义和forward方法，调用forward(input)可返回前向传播的结果

举例最早的卷积神经网络LeNet(判断图片中的字符)，来看看如何使用nn.Module实现

1）定义网络

继承nn.Module，并实现它的forward方法，把网络中具有可学习参数的层放在构造函数__init__中。

如果某一层（如ReLu）不具有可学习的参数，那么可放在构造函数中，也可以不放

import torch.nn as nn
import torch.nn.functional as Fclass 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1，参数1表示输入图片为单通道,即灰度图像，为1**，6表示输出通道数，即过滤器的通道数，5表示过滤器为5*
#所以下一层得到的值为6**，作为输入
self.conv1 = nn.Conv2d(, , )
#卷积层2
self.conv2 = nn.Conv2d(, , )
#全连接层，y = Wx + b
self.fc1 = nn.Linear(**, )
self.fc2 = nn.Linear(, )
self.fc3 = nn.Linear(, ) #最后的输出是10，是因为判断的数值分成了10类 def forward(self, x):
#先conv1卷积->再relu激活->再max_pool池化
x = F.max_pool2d(F.relu(self.conv1(x)), (, )) #(, )相当于池化将高度和宽度缩减一半,得到结果为6**
x = F.max_pool2d(F.relu(self.conv2(x)), ) #激活后为16**，池化后16**,因为大小是正方形，所以第二个参数可以只有一个值，效果和上面的(,)是相同的 #reshape，将图形扁平化，使其由16**5的三维立体变成1*（**）的二维矩阵
x = x.view(x.size()[], -)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return xnet = Net()
print(net)

Net(
(conv1): Conv2d(, , kernel_size=(, ), stride=(, ))
(conv2): Conv2d(, , kernel_size=(, ), stride=(, ))
(fc1): Linear(in_features=, out_features=, bias=True)
(fc2): Linear(in_features=, out_features=, bias=True)
(fc3): Linear(in_features=, out_features=, bias=True)
)

只要在nn.Module的子类中定义了forward函数，backward函数就会被自动实现（利用Autograd）

在forward函数中可以使用任何Variable支持的函数

上面定义的网络的可学习参数可通过net.Parameters()返回，net,named_parameters()可同时返回可学习的参数及名称

params = list(net.parameters())
print(len(params)) #返回10

如果想要查看参数的名字等信息，可见：

for name, parameter in net.named_parameters():
print(name, ':', parameter.size())

conv1.weight : torch.Size([, , , ])
conv1.bias : torch.Size([])
conv2.weight : torch.Size([, , , ])
conv2.bias : torch.Size([])
fc1.weight : torch.Size([, ])
fc1.bias : torch.Size([])
fc2.weight : torch.Size([, ])
fc2.bias : torch.Size([])
fc3.weight : torch.Size([, ])
fc3.bias : torch.Size([])

forward函数的输入和输出都是Variable，只有Variable才具有自动求导功能，Tensor是没有的。所以在输入时，需要把Tensor封装成Variable

这里nn.Conv2d的输入必须是四维的，即样本数*通道数*高*宽

input = Variable(t.randn(, , , )) #即输入是一张灰度的32*32大小的图片
output = net(input)
output.size()

torch.Size([, ])

net.zero_grad() #所有参数的梯度清零
output.backward(Variable(t.ones(, ))) #反向传播

这里的backward()中为什么需要传入参数Variable(t.ones(1, 10))呢？没有传入就会报错：

RuntimeError: grad can be implicitly created only for scalar outputs

原因可见：pytorch的backward

这时候就可以查看参数的梯度了：

params = list(net.parameters())
print(params[].grad)

tensor([[[[ 1.0658e-01, -3.3146e-02, 3.7709e-03, -3.0634e-02, 1.1791e-02],
[ 3.1975e-02, 4.4254e-02, -1.1230e-02, 8.9412e-02, 7.1382e-02],
[-5.6357e-02, 9.1797e-05, 1.8966e-02, -4.4844e-03, 5.7771e-02],
[-1.2467e-03, -6.6853e-02, -6.9389e-02, 1.6258e-02, 7.9231e-02],
[-3.1562e-02, 2.0557e-02, 2.1569e-02, 8.2486e-02, -1.1457e-01]]], [[[-4.3394e-02, -4.5307e-03, 2.7980e-02, 1.8965e-03, 1.0381e-01],
[-2.9320e-02, 2.8249e-02, -3.9046e-02, 1.8078e-02, -4.6308e-02],
[-3.2397e-03, -1.8470e-02, -6.8865e-03, 5.4334e-03, -6.9593e-02],
[-3.7685e-02, -1.2786e-01, -5.6480e-03, -5.7637e-02, -2.2518e-02],
[ 6.1855e-03, 2.5202e-02, 3.0603e-02, 2.8058e-02, -6.9573e-02]]], [[[-9.2159e-02, 8.4124e-02, -7.6889e-02, -4.0251e-03, -2.3461e-02],
[ 1.3258e-01, -4.1542e-02, 1.5377e-02, -2.0014e-02, -1.3080e-02],
[-1.8869e-02, 7.1884e-02, -5.8952e-02, 2.0899e-02, 1.5558e-02],
[ 2.7937e-02, 7.8165e-02, -4.8216e-02, -1.6983e-02, 4.5583e-02],
[-7.2376e-02, 5.4218e-03, 7.5949e-02, -6.5286e-02, 3.4859e-03]]], [[[ 9.8840e-02, -9.1584e-02, 4.7770e-02, 6.2509e-03, 8.5981e-03],
[ 4.2380e-02, 1.8999e-02, 2.4990e-02, 8.1884e-03, -3.5326e-02],
[-1.2791e-02, 9.0136e-02, 8.5160e-06, 2.5163e-02, 7.3440e-03],
[-8.7427e-02, 4.0755e-02, -1.1036e-02, 5.3797e-02, 7.8865e-03],
[-3.1478e-02, 6.5078e-02, 3.5277e-02, -3.8831e-02, -8.0675e-02]]], [[[-7.8461e-03, 5.7134e-02, 5.0355e-02, -1.2885e-02, -1.3467e-02],
[-1.3372e-02, -1.9114e-02, -9.7893e-02, -8.6965e-03, 1.4722e-02],
[ 1.9918e-02, 2.6398e-02, 1.5144e-02, 4.7445e-02, 6.1139e-03],
[-4.0234e-02, -3.6375e-02, 5.7755e-02, -1.3112e-02, -6.8822e-02],
[-2.2237e-02, -3.2318e-02, 1.3830e-03, -1.1355e-02, -2.0060e-02]]], [[[-9.9372e-02, -6.5939e-02, 5.9860e-02, 1.4672e-02, -3.6069e-02],
[ 3.5409e-02, -8.1433e-02, 3.1477e-03, -2.8791e-02, 5.8678e-02],
[ 3.1001e-02, 5.9960e-02, -7.9541e-02, -1.0646e-01, 1.2691e-02],
[ 2.8374e-02, -1.0153e-01, 4.3227e-02, 7.5082e-02, -1.0772e-02],
[-4.9453e-02, -9.9464e-03, -4.2608e-02, -4.2708e-02, 5.5077e-02]]]])

⚠️torch.nn只支持mini_batches，不支持一次只输入一个样本，即一次必须是一个batch

如果只想输入一个样本，则使用input.unsqueeze(0)将batch_size设为1

4.损失函数

nn实现了神经网络中大多数的损失函数，例如nn.MSELoss用来计算均方误差，nn.CrossEntropyLoss用来计算交叉熵损失

output = net(input)
print(output)
target = Variable(t.arange(, ))
print(target)
criterion = nn.MSELoss()
loss = criterion(output, target)
loss

运行时遇到下面的错误：

RuntimeError: Expected object of scalar type Float but got scalar type Long for argument # 'target'

解决办法就是转换target类别为float即可：

output = net(input)
print(output)
target = Variable(t.arange(, )).float() #更改
print(target)
criterion = nn.MSELoss()
loss = criterion(output, target)
loss

tensor([[-0.0552, -0.0790, 0.0176, -0.1695, -0.1261, -0.0572, 0.0072, -0.1686,
0.0739, -0.0895]], grad_fn=<AddmmBackward>)
tensor([., ., ., ., ., ., ., ., ., .])
tensor(29.0489, grad_fn=<MseLossBackward>)

如果对该loss进行反向传播溯源，即使用grad_fn属性

首先从之前的网络可知其整个计算图为：

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss

当我们使用loss.backward()时，该图会动态生成并自动微分，也会自动计算途中参数（parameter）的导数

net.zero_grad() #把net中所有可学习的参数的梯度清零
print("反向传播前conv1.bias的梯度：")
print(net.conv1.bias.grad)
loss.backward()
print("反向传播后conv1.bias的梯度：")
print(net.conv1.bias.grad)

反向传播前conv1.bias的梯度：
tensor([., ., ., ., ., .])
反向传播后conv1.bias的梯度：
tensor([-0.0503, 0.0551, 0.0052, 0.0081, 0.0084, 0.0665])

5.优化器

torch.optim中实现了深度学习中绝大多数的优化方法，例如RMSProp,Adam,SGD等

import torch.optim as optim
#新建一个优化器，指定要调整的参数和学习率
optimizer = optim.SGD(net.parameters(), lr = 0.01)#在训练的过程中
#先将梯度清零（和net.zero_grad()效果一样）
optimizer.zero_grad()#计算损失
output = net(input)
loss = criterion(output, target)#反向传播
loss.backward()#更新参数
optimizer.step()

6.数据加载和预处理

torchvision实现了常用的图像数据加载功能，例如Imagenet,CIFAR10,MNIST等，以及常用的数据转换操作，这极大方便了数据加载

小试牛刀：CIFAR-10分类

可见pytorch例子学习——TRAINING A CLASSIFIER