一、Pytorch

1.1 简介

Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。但由于Torch语言采用 Lua，导致在国内一直很小众，并逐渐被支持 Python 的 Tensorflow 抢走用户。作为经典机器学习库 Torch 的端口，PyTorch 为 Python 语言使用者提供了舒适的写代码选择。

至于为什么推荐使用Pytorch，我想最主要的原因就是它非常的简洁，非常符合Python的风格。

1.2 安装

首先确保你已经安装了GPU环境，即Anaconda、CUDA和CUDNN

随后进入Pytorch官网PyTorch

官网会自动显示符合你电脑配置的Pytorch版本，复制指令到conda环境中运行即可

测试是否安装成功

import torchprint(torch.__version__) # pytorch版本print(torch.version.cuda) # cuda版本print(torch.cuda.is_available()) # 查看cuda是否可用

二、Tensor

Tensor张量是Pytorch里最基本的数据结构。直观上来讲，它是一个多维矩阵，支持GPU加速，其基本数据类型如下

2.1 Tensor创建

2.1.1 torch.tensor() && torch.tensor([])

二者的主要区别在于创建的对象的size和value不同

2.1.2torch.randn && torch.randperm

生成的数据类型为浮点型，与numpy.randn生成随机数的方法类似，生成的浮点数的取值满足均值为0，方差为1的正态分布

torch.randpern(n)为创建一个n个整数，随机排列的Tensor

2.1.3torch.range(begin，end，step)

生成一个一维的Tensor，三个参数分别的起始位置，终止位置和步长

2.1.4指定numpy

很多时候我们需要创建指定的Tensor，而numpy就是一个很好的方式

2.2 Tensor运算

2.2.1 A.add() && A.add_()

所有的带_符号的函数都会对原数据进行修改

2.2.2 torch.stack

stack为拼接函数，函数的第一个参数为需要拼接的Tensor，第二个参数为细分到哪个维度

A=torch.IntTensor([[1,2,3],[4,5,6]])B=torch.IntTensor([[7,8,9],[10,11,12]])C1=torch.stack((A,B),dim=0) # or C1=torch.stack((A,B))C2=torch.stack((A,B),dim=1)C3=torch.stack((A,B),dim=2)C4=torch.stack((A,B),dim=-1)print(C1,C2,C3,C4)

dim=0，C1 = [ A,B ]

dim=1，C2 =[[A[0],B[0]],[A[1],B[1]]]

dim=2，C3 =[[[A[0][0],B[0][0]],[A[0][1],B[0][1]],[A[0][2],B[0][2]]],

[[A[1][0],B[1][0]],[A[1][1],B[1][1]],[A[1][2],B[1][2]]]]

dim=-1，C4 = C3

三、CUDA

CUDA是一种操作GPU的软件架构，Pytorch配合GPU环境这样模型的训练速度会非常的快

3.1 使用GPU

import torch# 测试GPU环境是否可使用print(torch.__version__) # pytorch版本print(torch.version.cuda) # cuda版本print(torch.cuda.is_available()) # 查看cuda是否可用#使用GPU or CPUdevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 判断某个对象是在什么环境中运行的a.device# 将对象的环境设置为device环境A = A.to(device)# 将对象环境设置为COUA.cpu().device# 若一个没有环境的对象与另外一个有环境a对象进行交流,则环境全变成环境aa+b.to(device)# cuda环境下tensor不能直接转化为numpy类型,必须要先转化到cpu环境中a.cpu().numpy()# 创建CUDA型的tensortorch.tensor([1,2],device)

四、其他技巧

4.1 自动微分

神经网络依赖反向传播求梯度来更新网络的参数，求梯度是个非常复杂的过程，在Pytorch中，提供了两种求梯度的方式，一个是backward，将求得的结果保存在自变量的grad属性中，另外一种方式是torch.autograd.grad

4.1.1 backward求导

使用backward进行求导。这里主要介绍了求导的两种对象，标量Tensor和非标量Tensor的求导。两者的主要区别是非标量Tensor求导的主要区别是加了一个gradient的Tensor，其尺寸与自变量X的尺寸一致。在求完导后，需要与gradient进行点积，所以只是一般的求导的话，设置的参数全部为1。最后还有一种使用标量的求导方式解决非标量求导，了解了解就好了。

import numpy as npimport torch# 标量Tensor求导# 求 f(x) = a*x**2 + b*x + c 的导数x = torch.tensor(-2.0, requires_grad=True)a = torch.tensor(1.0)b = torch.tensor(2.0)c = torch.tensor(3.0)y = a*torch.pow(x,2)+b*x+cy.backward() # backward求得的梯度会存储在自变量x的grad属性中dy_dx =x.graddy_dx# 非标量Tensor求导# 求 f(x) = a*x**2 + b*x + c 的导数x = torch.tensor([[-2.0,-1.0],[0.0,1.0]], requires_grad=True)a = torch.tensor(1.0)b = torch.tensor(2.0)c = torch.tensor(3.0)gradient=torch.tensor([[1.0,1.0],[1.0,1.0]])y = a*torch.pow(x,2)+b*x+cy.backward(gradient=gradient) dy_dx =x.graddy_dx# 使用标量求导方式解决非标量求导# 求 f(x) = a*x**2 + b*x + c 的导数x = torch.tensor([[-2.0,-1.0],[0.0,1.0]], requires_grad=True)a = torch.tensor(1.0)b = torch.tensor(2.0)c = torch.tensor(3.0)gradient=torch.tensor([[1.0,1.0],[1.0,1.0]])y = a*torch.pow(x,2)+b*x+cz=torch.sum(y*gradient)z.backward()dy_dx=x.graddy_dx

4.1.2 autograd.grad求导

import torch#单个自变量求导# 求 f(x) = a*x**4 + b*x + c 的导数x = torch.tensor(1.0, requires_grad=True)a = torch.tensor(1.0)b = torch.tensor(2.0)c = torch.tensor(3.0)y = a * torch.pow(x, 4) + b * x + c#create_graph设置为True,允许创建更高阶级的导数#求一阶导dy_dx = torch.autograd.grad(y, x, create_graph=True)[0]#求二阶导dy2_dx2 = torch.autograd.grad(dy_dx, x, create_graph=True)[0]#求三阶导dy3_dx3 = torch.autograd.grad(dy2_dx2, x)[0]print(dy_dx.data, dy2_dx2.data, dy3_dx3)# 多个自变量求偏导x1 = torch.tensor(1.0, requires_grad=True)x2 = torch.tensor(2.0, requires_grad=True)y1 = x1 * x2y2 = x1 + x2#只有一个因变量,正常求偏导dy1_dx1, dy1_dx2 = torch.autograd.grad(outputs=y1, inputs=[x1, x2], retain_graph=True)print(dy1_dx1, dy1_dx2)# 若有多个因变量，则对于每个因变量,会将求偏导的结果加起来dy1_dx, dy2_dx = torch.autograd.grad(outputs=[y1, y2], inputs=[x1, x2])dy1_dx, dy2_dxprint(dy1_dx, dy2_dx)

4.1.3 求最小值

使用自动微分机制配套使用SGD随机梯度下降来求最小值

#例2-1-3 利用自动微分和优化器求最小值import numpy as npimport torch# f(x) = a*x**2 + b*x + c的最小值x = torch.tensor(0.0, requires_grad=True)  # x需要被求导a = torch.tensor(1.0)b = torch.tensor(-2.0)c = torch.tensor(1.0)optimizer = torch.optim.SGD(params=[x], lr=0.01)  #SGD为随机梯度下降print(optimizer)def f(x):    result = a * torch.pow(x, 2) + b * x + c    return (result)for i in range(500):    optimizer.zero_grad()  #将模型的参数初始化为0    y = f(x)    y.backward()  #反向传播计算梯度    optimizer.step()  #更新所有的参数print("y=", y.data, ";", "x=", x.data)

4.2 Pytorch层次结构

Pytorch中一共有5个不同的层次结构，分别为硬件层、内核层、低阶API、中阶API和高阶API（torchkeras）

五、数据

Pytorch主要通过Dataset和DataLoader进行构建数据管道

5.1 Dataset and DataLoader

5.2 数据读取与预处理

DataLoader的参数如下

DataLoader( dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None,)

在实践中，主要修改的参数以下标为橙色

顺带介绍一下Epoch、Iteration、Batchsize之间的关系

先看数据读取的主要流程

1. 从DataLoader开始

2. 进入DataLoaderIter，判断单线程还是多线程

3. 进入Sampler进行采样，获得一批一批的索引，这些索引告诉我们需要读取哪些数据、

4. 进入DatasetFetcher，依据索引读取数据

5. Dataset告诉我们数据的地址

6. 自定义的Dataset中会重写__getietm__方法，针对不同的数据来进行定制化的数据读取

7. 到这里就获取的数据的Text和Label

8. 进入collate_fn将之前获取的个体数据进行组合成batch

9. 一个一个batch组成Batch Data

再来看一个具体的代码

from torch.utils.data import DataLoaderfrom torch.utils.data.dataset import TensorDataset# 自构建数据集dataset = TensorDataset(torch.arange(1, 40))dl = DataLoader(dataset,                batch_size=10,                shuffle=True,                num_workers=1,                drop_last=True)# 数据输出for batch in dl:    print(batch)

因为自定义的数据集只有39条，最后一个batch的数据量小于10，被舍弃掉了

而数据预处理主要是重写Dataset和DataLoader中的方法，因此总体代码如下所示

5.5 Pytorch工具

基于Pytorch已经产生了一些封装完备的工具，而缺点也很明显，数据处理不是很灵活，对于初学者来说，多写代码比较踏实，因此作者不太推荐使用这些方法

六、torch.nn

torch.nn是神经网路工具箱，该工具箱建立于Autograd(主要有自动求导和梯度反向传播功能)，提供了网络搭建的模组，优化器等一系列功能。

搭建一个神经网络模型整个流程是怎么样的呢？

搭建网络流程

1 数据读取

2 定义模型

3 定义损失函数和优化器

4 模型训练

5 获取训练结果

我们拿一个最简单的FNN网络来对经典数据集diabetes糖尿病数据集来进行分类预测。

​import numpy as npimport torchimport matplotlib.pyplot as pltfrom torch.utils.data import Dataset, DataLoader# Prepare the datasetclass DiabetesDateset(Dataset):    # 加载数据集    def __init__(self, filepath):        xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32, encoding='utf-8')        self.len = xy.shape[0]  # shape[0]是矩阵的行数,shape[1]是矩阵的列数        self.x_data = torch.from_numpy(xy[:, :-1])        self.y_data = torch.from_numpy(xy[:, [-1]])    # 获取数据索引    def __getitem__(self, index):        return self.x_data[index], self.y_data[index]    # 获得数据总量    def __len__(self):        return self.lendataset = DiabetesDateset('diabetes.csv')train_loader = DataLoader(dataset=dataset, batch_size=32, shuffle=True, num_workers=2)  # num_workers为多线程# Define the modelclass FNNModel(torch.nn.Module):    def __init__(self):        super(FNNModel, self).__init__()        self.linear1 = torch.nn.Linear(8, 6)  # 输入数据的特征有8个,也就是有8个维度,随后将其降维到6维        self.linear2 = torch.nn.Linear(6, 4)  # 6维降到4维        self.linear3 = torch.nn.Linear(4, 2)  # 4维降到2维        self.linear4 = torch.nn.Linear(2, 1)  # 2w维降到1维        self.sigmoid = torch.nn.Sigmoid()  # 可以视其为网络的一层,而不是简单的函数使用    def forward(self, x):        x = self.sigmoid(self.linear1(x))        x = self.sigmoid(self.linear2(x))        x = self.sigmoid(self.linear3(x))        x = self.sigmoid(self.linear4(x))        return xmodel = FNNModel()# Define the criterion and optimizercriterion = torch.nn.BCELoss(reduction='mean')  # 返回损失的平均值optimizer = torch.optim.SGD(model.parameters(), lr=0.01)epoch_list = []loss_list = []# Trainingif __name__ == '__main__':    for epoch in range(100):        # i是一个epoch中第几次迭代,一共756条数据,每个mini_batch为32,所以一个epoch需要迭代23次        # data获取的数据为(x,y)        loss_one_epoch = 0        for i, data in enumerate(train_loader, 0):            inputs, labels = data            y_pred = model(inputs)            loss = criterion(y_pred, labels)            loss_one_epoch += loss.item()            optimizer.zero_grad()            loss.backward()            optimizer.step()        loss_list.append(loss_one_epoch / 23)        epoch_list.append(epoch)        print('Epoch[{}/{}],loss:{:.6f}'.format(epoch + 1, 100, loss_one_epoch / 23))    # Drawing    plt.plot(epoch_list, loss_list)    plt.xlabel('epoch')    plt.ylabel('loss')    plt.show()​

Result

注意点

1 创建模型的参数与__init__中的参数一致

2 训练模型的参数与forward中的参数一致

参考资料

本文章主要参考Github的各个大牛团队以及Pytorch的官方文档，感谢开源，开源万岁！

1 Chinese-Text-Classfication-Pytorch

2 Pytorch official Chinese documents

3 Pytorch official English doccuments

4 B站PyTorch深度学习快速入门教程（小土堆）

5 pytorch-tutorial

6 Youtube–Pytorch

7 Pytorch–handbook

8Deep Learning with PyTorch: A 60 Minute Blitz