介绍 || Tensors || Autograd || 构建模型 || TensorBoard 支持 || 训练模型 || 模型理解

PyTorch 简介

创建于：2021年11月30日 | 最后更新：2024年1月19日 | 最后验证：2024年11月5日

跟随下面的视频或在youtube上观看。

PyTorch 张量

跟随视频从03:50开始。

首先，我们将导入pytorch。

import torch

让我们看一些基本的张量操作。首先，是一些创建张量的方法：

z = torch.zeros(5, 3)
print(z)
print(z.dtype)

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
torch.float32

上面，我们创建了一个填充零的5x3矩阵，并查询其数据类型以发现这些零是32位浮点数，这是PyTorch的默认设置。

如果你想要整数怎么办？你可以随时覆盖默认值：

i = torch.ones((5, 3), dtype=torch.int16)
print(i)

tensor([[1, 1, 1],
        [1, 1, 1],
        [1, 1, 1],
        [1, 1, 1],
        [1, 1, 1]], dtype=torch.int16)

你可以看到，当我们确实更改了默认值时，张量在打印时会很有帮助地报告这一点。

通常随机初始化学习权重，通常使用特定的种子用于PRNG以确保结果的可重复性：

torch.manual_seed(1729)
r1 = torch.rand(2, 2)
print('A random tensor:')
print(r1)

r2 = torch.rand(2, 2)
print('\nA different random tensor:')
print(r2) # new values

torch.manual_seed(1729)
r3 = torch.rand(2, 2)
print('\nShould match r1:')
print(r3) # repeats values of r1 because of re-seed

A random tensor:
tensor([[0.3126, 0.3791],
        [0.3087, 0.0736]])

A different random tensor:
tensor([[0.4216, 0.0691],
        [0.2332, 0.4047]])

Should match r1:
tensor([[0.3126, 0.3791],
        [0.3087, 0.0736]])

PyTorch 张量直观地执行算术操作。相似形状的张量可以相加、相乘等。与标量的操作会分布到张量上：

ones = torch.ones(2, 3)
print(ones)

twos = torch.ones(2, 3) * 2 # every element is multiplied by 2
print(twos)

threes = ones + twos       # addition allowed because shapes are similar
print(threes)              # tensors are added element-wise
print(threes.shape)        # this has the same dimensions as input tensors

r1 = torch.rand(2, 3)
r2 = torch.rand(3, 2)
# uncomment this line to get a runtime error
# r3 = r1 + r2

tensor([[1., 1., 1.],
        [1., 1., 1.]])
tensor([[2., 2., 2.],
        [2., 2., 2.]])
tensor([[3., 3., 3.],
        [3., 3., 3.]])
torch.Size([2, 3])

以下是一些可用的数学运算示例：

r = (torch.rand(2, 2) - 0.5) * 2 # values between -1 and 1
print('A random matrix, r:')
print(r)

# Common mathematical operations are supported:
print('\nAbsolute value of r:')
print(torch.abs(r))

# ...as are trigonometric functions:
print('\nInverse sine of r:')
print(torch.asin(r))

# ...and linear algebra operations like determinant and singular value decomposition
print('\nDeterminant of r:')
print(torch.det(r))
print('\nSingular value decomposition of r:')
print(torch.svd(r))

# ...and statistical and aggregate operations:
print('\nAverage and standard deviation of r:')
print(torch.std_mean(r))
print('\nMaximum value of r:')
print(torch.max(r))

A random matrix, r:
tensor([[ 0.9956, -0.2232],
        [ 0.3858, -0.6593]])

Absolute value of r:
tensor([[0.9956, 0.2232],
        [0.3858, 0.6593]])

Inverse sine of r:
tensor([[ 1.4775, -0.2251],
        [ 0.3961, -0.7199]])

Determinant of r:
tensor(-0.5703)

Singular value decomposition of r:
torch.return_types.svd(
U=tensor([[-0.8353, -0.5497],
        [-0.5497,  0.8353]]),
S=tensor([1.1793, 0.4836]),
V=tensor([[-0.8851, -0.4654],
        [ 0.4654, -0.8851]]))

Average and standard deviation of r:
(tensor(0.7217), tensor(0.1247))

Maximum value of r:
tensor(0.9956)

关于PyTorch张量的强大功能还有很多需要了解的地方， 包括如何设置它们以在GPU上进行并行计算——我们将在 另一个视频中深入探讨。

PyTorch 模型

跟随视频从10:00开始。

让我们来讨论如何在PyTorch中表达模型

import torch                     # for all things PyTorch
import torch.nn as nn            # for torch.nn.Module, the parent object for PyTorch models
import torch.nn.functional as F  # for the activation function

图：LeNet-5

上图是LeNet-5的示意图，这是最早的卷积神经网络之一，也是深度学习爆炸式发展的推动者之一。它被设计用来读取手写数字的小图像（MNIST数据集），并正确分类图像中表示的数字。

以下是其工作原理的简化版本：

• 层C1是一个卷积层，这意味着它会扫描输入图像以寻找在训练期间学到的特征。它输出一个地图，显示它在图像中看到的每个学到的特征的位置。这个“激活地图”在层S2中被下采样。

• 层C3是另一个卷积层，这次扫描C1的激活图以寻找特征的组合。它还输出一个描述这些特征组合空间位置的激活图，该图在层S4中被下采样。

• 最后，末尾的全连接层，F5、F6和OUTPUT，是一个分类器，它接收最终的激活图，并将其分类为表示10个数字的十个类别之一。

我们如何在代码中表达这个简单的神经网络？

class LeNet(nn.Module):

    def __init__(self):
        super(LeNet, self).__init__()
        # 1 input image channel (black & white), 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)  # 5*5 from image dimension
        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

查看这段代码，你应该能够发现与上图的一些结构相似之处。

这展示了一个典型的PyTorch模型的结构：

• 它继承自torch.nn.Module - 模块可以嵌套 - 事实上， 甚至Conv2d和Linear层类也继承自 torch.nn.Module。

• 模型将有一个__init__()函数，在其中实例化其层，并加载它可能需要的任何数据工件（例如，NLP模型可能加载词汇表）。

• 模型将有一个forward()函数。这是实际计算发生的地方：输入通过网络层和各种函数传递以生成输出。

• 除此之外，您可以像构建任何其他Python类一样构建您的模型类，添加任何您需要的属性和方法来支持您的模型计算。

让我们实例化这个对象并通过它运行一个示例输入。

net = LeNet()
print(net)                         # what does the object tell us about itself?

input = torch.rand(1, 1, 32, 32)   # stand-in for a 32x32 black & white image
print('\nImage batch shape:')
print(input.shape)

output = net(input)                # we don't call forward() directly
print('\nRaw output:')
print(output)
print(output.shape)

LeNet(
  (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)
)

Image batch shape:
torch.Size([1, 1, 32, 32])

Raw output:
tensor([[ 0.0898,  0.0318,  0.1485,  0.0301, -0.0085, -0.1135, -0.0296,  0.0164,
          0.0039,  0.0616]], grad_fn=<AddmmBackward0>)
torch.Size([1, 10])

上面发生了一些重要的事情：

首先，我们实例化LeNet类，并打印net对象。torch.nn.Module的子类将报告它创建的层及其形状和参数。如果你想了解模型的处理要点，这可以提供一个方便的概览。

在下面，我们创建了一个代表32x32图像和1个颜色通道的虚拟输入。通常，您会加载一个图像块并将其转换为这种形状的张量。

你可能已经注意到我们的张量有一个额外的维度——批次维度。 PyTorch模型假设它们处理的是批次数据——例如，一批16个我们的图像块将具有形状(16, 1, 32, 32)。由于我们只使用一个图像，我们创建了一个形状为(1, 1, 32, 32)的批次。

我们通过像调用函数一样调用模型来请求推理： net(input)。此调用的输出表示模型对输入代表特定数字的信心。（由于此模型实例尚未学习任何内容，我们不应期望在输出中看到任何信号。）查看output的形状，我们可以看到它也有一个批次维度，其大小应始终与输入批次维度匹配。如果我们传入了一个包含16个实例的输入批次，output的形状将为(16, 10)。

数据集和数据加载器

跟随视频从14:00开始。

下面，我们将演示如何使用TorchVision中的一个可下载的、开放访问的数据集，如何转换图像以供模型使用，以及如何使用DataLoader将数据批次提供给模型。

我们需要做的第一件事是将传入的图像转换为PyTorch张量。

#%matplotlib inline

import torch
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2470, 0.2435, 0.2616))])

在这里，我们为输入指定了两个转换：

• transforms.ToTensor() 将 Pillow 加载的图像转换为 PyTorch 张量。

• transforms.Normalize() 调整张量的值，使其平均值为零，标准差为1.0。大多数激活函数在x = 0附近具有最强的梯度，因此将数据集中在那里可以加速学习。 传递给转换的值是数据集中图像rgb值的平均值（第一个元组）和标准差（第二个元组）。你可以通过运行这几行代码自己计算这些值：

  ```

  从 torch.utils.data 导入 ConcatDataset transform = transforms.Compose([transforms.ToTensor()]) trainset = torchvision.datasets.CIFAR10(root=’./data’, train=True,

  download=True, transform=transform)

  #将所有训练图像堆叠在一起，形成一个形状为 #(50000, 3, 32, 32)的张量 x = torch.stack([sample[0] for sample in ConcatDataset([trainset])])

  #获取每个通道的平均值 mean = torch.mean(x, dim=(0,2,3)) #tensor([0.4914, 0.4822, 0.4465]) std = torch.std(x, dim=(0,2,3)) #tensor([0.2470, 0.2435, 0.2616])

  ```

还有许多可用的变换，包括裁剪、居中、旋转和反射。

接下来，我们将创建一个CIFAR10数据集的实例。这是一组32x32的彩色图像块，代表10类对象：6种动物（鸟、猫、鹿、狗、青蛙、马）和4种交通工具（飞机、汽车、船、卡车）：

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)

Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data/cifar-10-python.tar.gz

  0%|          | 0.00/170M [00:00<?, ?B/s]
  0%|          | 655k/170M [00:00<00:25, 6.55MB/s]
  4%|4         | 7.41M/170M [00:00<00:03, 42.4MB/s]
 11%|#1        | 19.1M/170M [00:00<00:01, 76.4MB/s]
 18%|#7        | 30.3M/170M [00:00<00:01, 90.5MB/s]
 23%|##3       | 39.6M/170M [00:00<00:01, 91.2MB/s]
 30%|###       | 51.3M/170M [00:00<00:01, 100MB/s]
 36%|###5      | 61.4M/170M [00:00<00:01, 98.8MB/s]
 42%|####2     | 72.3M/170M [00:00<00:00, 102MB/s]
 49%|####8     | 83.2M/170M [00:00<00:00, 104MB/s]
 55%|#####4    | 93.6M/170M [00:01<00:00, 102MB/s]
 62%|######1   | 105M/170M [00:01<00:00, 106MB/s]
 68%|######7   | 116M/170M [00:01<00:00, 103MB/s]
 74%|#######4  | 127M/170M [00:01<00:00, 104MB/s]
 81%|########  | 138M/170M [00:01<00:00, 107MB/s]
 87%|########7 | 149M/170M [00:01<00:00, 106MB/s]
 94%|#########3| 160M/170M [00:01<00:00, 108MB/s]
100%|##########| 170M/170M [00:01<00:00, 98.3MB/s]
Extracting ./data/cifar-10-python.tar.gz to ./data

注意

当你运行上面的单元格时，数据集下载可能需要一些时间。

这是一个在PyTorch中创建数据集对象的示例。可下载的数据集（如上面的CIFAR-10）是torch.utils.data.Dataset的子类。PyTorch中的Dataset类包括TorchVision、Torchtext和TorchAudio中的可下载数据集，以及实用数据集类，如torchvision.datasets.ImageFolder，它将读取一个带有标签的图像文件夹。您还可以创建自己的Dataset子类。

当我们实例化我们的数据集时，我们需要告诉它一些事情：

• 我们希望数据存储的文件系统路径。

• 我们是否将此集用于训练；大多数数据集将被分为训练和测试子集。

• 如果我们还没有下载数据集，是否想要下载。

• 我们想要对数据应用的转换。

一旦你的数据集准备好了，你可以将其交给DataLoader：

trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

一个Dataset子类封装了对数据的访问，并且专门针对它所服务的数据类型。DataLoader对数据一无所知，但它会根据您指定的参数将Dataset提供的输入张量组织成批次。

在上面的例子中，我们要求一个DataLoader从trainset中给我们提供4张图像的批次，随机化它们的顺序（shuffle=True），并且我们告诉它启动两个工作线程从磁盘加载数据。

最好可视化你的DataLoader提供的批次：

import matplotlib.pyplot as plt
import numpy as np

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

def imshow(img):
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))


# get some random training images
dataiter = iter(trainloader)
images, labels = next(dataiter)

# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers). Got range [-0.49473685..1.5632443].
 ship   car horse  ship

运行上述单元格应该会显示四张图片的条带，以及每张图片的正确标签。

训练您的PyTorch模型

跟随视频从17:10开始。

让我们把所有部分放在一起，并训练一个模型：

#%matplotlib inline

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

import torchvision
import torchvision.transforms as transforms

import matplotlib
import matplotlib.pyplot as plt
import numpy as np

首先，我们需要训练和测试数据集。如果你还没有准备好，运行下面的单元格以确保数据集已下载。（可能需要一分钟。）

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

Files already downloaded and verified
Files already downloaded and verified

我们将在DataLoader的输出上运行我们的检查：

import matplotlib.pyplot as plt
import numpy as np

# functions to show an image


def imshow(img):
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))


# get some random training images
dataiter = iter(trainloader)
images, labels = next(dataiter)

# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

cat   cat  deer  frog

这是我们将要训练的模型。如果它看起来很熟悉，那是因为它是LeNet的一个变体 - 在本视频前面讨论过 - 适用于3色图像。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x


net = Net()

我们需要的最后两个要素是损失函数和优化器：

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

损失函数，正如本视频前面所讨论的，是衡量模型预测与理想输出之间差距的指标。交叉熵损失是像我们这样的分类模型的典型损失函数。

优化器是驱动学习的关键。在这里，我们创建了一个实现随机梯度下降的优化器，这是较为直接的优化算法之一。除了算法的参数，如学习率（lr）和动量，我们还传递了net.parameters()，这是模型中所有学习权重的集合——优化器调整的就是这些权重。

最后，所有这些都被组装到训练循环中。继续并运行这个单元格，因为它可能需要几分钟才能执行：

for epoch in range(2):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs
        inputs, labels = data

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        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')

[1,  2000] loss: 2.195
[1,  4000] loss: 1.876
[1,  6000] loss: 1.655
[1,  8000] loss: 1.576
[1, 10000] loss: 1.519
[1, 12000] loss: 1.466
[2,  2000] loss: 1.421
[2,  4000] loss: 1.376
[2,  6000] loss: 1.336
[2,  8000] loss: 1.335
[2, 10000] loss: 1.326
[2, 12000] loss: 1.270
Finished Training

在这里，我们只进行2个训练周期（第1行）——即对训练数据集进行两次遍历。每次遍历都有一个内部循环，遍历训练数据（第4行），提供一批转换后的输入图像及其正确的标签。

清零梯度（第9行）是一个重要的步骤。梯度是在一个批次中累积的；如果我们不为每个批次重置它们，它们将继续累积，这将提供不正确的梯度值，使得学习变得不可能。

在第12行，我们要求模型对此批次进行预测。在接下来的第13行中，我们计算损失 - outputs（模型预测）和labels（正确输出）之间的差异。

在第14行，我们执行backward()传递，并计算将指导学习的梯度。

在第15行，优化器执行一个学习步骤 - 它使用来自backward()调用的梯度来推动学习权重，朝着它认为会减少损失的方向。

循环的其余部分对轮次编号进行了一些简单的报告， 已经完成了多少训练实例，以及在训练循环中收集的损失是多少。

当你运行上面的单元格时， 你应该会看到类似这样的内容：

[1,  2000] loss: 2.235
[1,  4000] loss: 1.940
[1,  6000] loss: 1.713
[1,  8000] loss: 1.573
[1, 10000] loss: 1.507
[1, 12000] loss: 1.442
[2,  2000] loss: 1.378
[2,  4000] loss: 1.364
[2,  6000] loss: 1.349
[2,  8000] loss: 1.319
[2, 10000] loss: 1.284
[2, 12000] loss: 1.267
Finished Training

请注意，损失是单调下降的，这表明我们的模型在训练数据集上的性能正在持续提高。

作为最后一步，我们应该检查模型是否真的在进行一般学习，而不是简单地“记忆”数据集。这被称为过拟合，通常表明数据集太小（没有足够的例子进行一般学习），或者模型的参数过多，超出了正确建模数据集所需的数量。

这就是为什么数据集被分为训练和测试子集的原因 - 为了测试模型的泛化能力，我们要求它对未训练过的数据进行预测：

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(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))

Accuracy of the network on the 10000 test images: 54 %

如果你跟随着操作，你应该会看到模型此时的准确率大约为50%。这并不完全是最先进的，但它比我们预期的随机输出的10%准确率要好得多。这表明模型确实进行了一些一般性的学习。