pytorch 学习笔记(一)

pytorch是一个动态的建图的工具。不像Tensorflow那样，先建图，然后通过feed和run重复执行建好的图。相对来说，pytorch具有更好的灵活性。

编写一个深度网络需要关注的地方是：  1. 如何保存参数  2. 如何构建网络  3. 如何计算梯度和更新参数

如何保存参数

pytorch中有两种变量类型，一个是Tensor，一个是Variable。  - Tensor： 就像ndarray一样,一维Tensor叫Vector，二维Tensor叫Matrix，三维及以上称为Tensor  - Variable：是Tensor的一个wrapper，不仅保存了值，而且保存了这个值的creator，需要BP的网络都是Variable参与运算

import torch x = torch.Tensor(2,3,4) # torch.Tensor(shape) 创建出一个未初始化的Tensor,但是还是可以打印出值的，这个应该是这块内存之前的数据 x # 这种方式创建出来的Tensor更多是用来接受其他数据的计算值的 123 123 (0 ,.,.) = 1.00000e-37 * 1.5926 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 (1 ,.,.) = 1.00000e-37 * 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 [torch.FloatTensor of size 2x3x4] x.size() 1 1 torch.Size([2, 3, 4]) a = torch.rand(2,3,4) b = torch.rand(2,3,4) _=torch.add(a,b, out=x) # 使用Tensor()方法创建出来的Tensor用来接收计算结果，当然torch.add(..)也会返回计算结果的 x 1234 1234 (0 ,.,.) = 0.9815 0.0833 0.8217 1.1280 0.7810 1.2586 1.0243 0.7924 1.0200 1.0463 1.4997 1.0994 (1 ,.,.) = 0.8031 1.4283 0.6245 0.9617 1.3551 1.9094 0.9046 0.5543 1.2838 1.7381 0.6934 0.8727 [torch.FloatTensor of size 2x3x4] a.add_(b) # 所有带 _ 的operation，都会更改调用对象的值， #例如 a=1;b=2; a.add_(b); a就是3了，没有 _ 的operation就没有这种效果，只会返回运算结果 torch.cuda.is_available() 123 123 True

自动求导

pytorch的自动求导工具包在torch.autograd中

from torch.autograd import Variable x = torch.rand(5) x = Variable(x,requires_grad = True) y = x * 2 grads = torch.FloatTensor([1,2,3,4,5]) y.backward(grads)#如果y是scalar的话，那么直接y.backward()，然后通过x.grad方式，就可以得到var的梯度 x.grad #如果y不是scalar，那么只能通过传参的方式给x指定梯度 1234567 1234567 Variable containing: 2 4 6 8 10 [torch.FloatTensor of size 5]

neural networks

使用torch.nn包中的工具来构建神经网络  构建一个神经网络需要以下几步：  - 定义神经网络的权重,搭建网络结构  - 遍历整个数据集进行训练  -将数据输入神经网络  - 计算loss  - 计算网络权重的梯度  - 更新网络权重  - weight = weight + learning_rate * gradient

import torch.nn as nn import torch.nn.functional as F class Net(nn.Module):#需要继承这个类 def __init__(self): super(Net, self).__init__() #建立了两个卷积层，self.conv1, self.conv2，注意，这些层都是不包含激活函数的 self.conv1 = nn.Conv2d(1, 6, 5) # 1 input image channel, 6 output channels, 5x5 square convolution kernel self.conv2 = nn.Conv2d(6, 16, 5) #三个全连接层 self.fc1 = nn.Linear(16*5*5, 120) # an affine operation: y = Wx + b self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): #注意，2D卷积层的输入data维数是 batchsize*channel*height*width x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) # Max pooling over a (2, 2) window x = F.max_pool2d(F.relu(self.conv2(x)), 2) # If the size is a square you can only specify a single number 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 net = Net() net 1234567891011121314151617181920212223242526272829303132 1234567891011121314151617181920212223242526272829303132 Net ( (conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1)) (conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1)) (fc1): Linear (400 -> 120) (fc2): Linear (120 -> 84) (fc3): Linear (84 -> 10) ) len(list(net.parameters())) #为什么是10呢？ 因为不仅有weights，还有bias， 10=5*2。 #list(net.parameters())返回的learnable variables 是按照创建的顺序来的 #list(net.parameters())返回 a list of torch.FloatTensor objects 123 123 10 input = Variable(torch.randn(1, 1, 32, 32)) out = net(input) #这个地方就神奇了，明明没有定义__call__()函数啊，所以只能猜测是父类实现了，并且里面还调用了forward函数 out #查看源码之后，果真如此。那么，forward()是必须要声明的了，不然会报错 out.backward(torch.randn(1, 10)) 1234 1234

使用loss criterion 和 optimizer训练网络

torch.nn包下有很多loss标准。同时torch.optimizer帮助完成更新权重的工作。这样就不需要手动更新参数了

learning_rate = 0.01 for f in net.parameters(): f.data.sub_(f.grad.data * learning_rate) # 有了optimizer就不用写这些了 123 123 import torch.optim as optim # create your optimizer optimizer = optim.SGD(net.parameters(), lr = 0.01) # in your training loop: optimizer.zero_grad() # zero the gradient buffers，如果不写这个函数，也是可以正常工作的，不知这个函数的必要性在哪？ output = net(input) # 这里就体现出来动态建图了，你还可以传入其他的参数来改变网络的结构 loss = criterion(output, target) loss.backward() optimizer.step() # Does the update 123456789101112 123456789101112

整体NN结构

import torch.nn as nn import torch.nn.functional as F class Net(nn.Module):#需要继承这个类 def __init__(self): super(Net, self).__init__() #建立了两个卷积层，self.conv1, self.conv2，注意，这些层都是不包含激活函数的 self.conv1 = nn.Conv2d(1, 6, 5) # 1 input image channel, 6 output channels, 5x5 square convolution kernel self.conv2 = nn.Conv2d(6, 16, 5) #三个全连接层 self.fc1 = nn.Linear(16*5*5, 120) # an affine operation: y = Wx + b self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): #注意，2D卷积层的输入data维数是 batchsize*channel*height*width x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) # Max pooling over a (2, 2) window x = F.max_pool2d(F.relu(self.conv2(x)), 2) # If the size is a square you can only specify a single number 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 net = Net() # create your optimizer optimizer = optim.SGD(net.parameters(), lr = 0.01) # in your training loop: for i in range(num_iteations): optimizer.zero_grad() # zero the gradient buffers，如果不归0的话，gradients会累加 output = net(input) # 这里就体现出来动态建图了，你还可以传入其他的参数来改变网络的结构 loss = criterion(output, target) loss.backward() # 得到grad，i.e.给Variable.grad赋值 optimizer.step() # Does the update，i.e. Variable.data -= learning_rate*Variable.grad 1234567891011121314151617181920212223242526272829303132333435363738394041424344 1234567891011121314151617181920212223242526272829303132333435363738394041424344

其它

关于求梯度，只有我们定义的Variable才会被求梯度，由creator创造的不会去求梯度自己定义Variable的时候，记得Variable(Tensor, requires_grad = True),这样才会被求梯度，不然的话，是不会求梯度的 # numpy to Tensor import numpy as np a = np.ones(5) b = torch.from_numpy(a) np.add(a, 1, out=a) print(a) # 如果a 变的话， b也会跟着变，说明b只是保存了一个地址而已，并没有深拷贝 print(b)# Variable只是保存Tensor的地址，如果Tensor变的话，Variable也会跟着变 1234567 1234567 a = np.ones(5) b = torch.from_numpy(a) np.add(a, 1, out=a)# 这个和 a = np.add(a,1)有什么区别呢？ # a = np.add(a,1) 只是将a中保存的指针指向新计算好的数据上去 # np.add(a, 1, out=a) 改变了a指向的数据 12345 12345 # 将Tensor放到Cuda上 if torch.cuda.is_available(): x = x.cuda() y = y.cuda() x + y