hi，我是為你們的xio習操碎了心的和鲸社群男營運
我們的網站：和鲸社群 Kesci.com
我們的公衆号：和鲸社群（ID：heywhale-kesci）
有幹貨，來！
大家好，又是我，我又來給大家碼x題系列了，這次比較高端，是PyTorch
PyTorch是一個基于Python的庫，提供了一個具有靈活易用的深度學習架構，是近年來最受歡迎的深度學習架構之一。
點選此處檢視線上運作效果
和鲸社群 - Kesci.comwww.kesci.com
如果你是新新新手，可以先學習以下教程：
- 深度學習之PyTorch實戰-基礎學習及搭建環境
- PyTorch中文文檔
改編自：
- DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ
其他x題系列：
- 35題初探scikit-learn庫，get機器學習好幫手√
- 50題matplotlib從入門到精通
- 50道練習帶你玩轉Pandas
- 一兩贅肉無：100道練習帶你玩轉Numpy
1 初識PyTorch
1.1 張量
1.導入pytorch包
import torch
2.建立一個空的5x3張量
x = torch.empty(5, 3)
print(x)
3.建立一個随機初始化的5x3張量
x = torch.rand(5, 3)
print(x)
4.建立一個5x3的0張量，類型為long
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
5.直接從數組建立張量
x = torch.tensor([5.5, 3])
print(x)
6.建立一個5x3的機關張量，類型為double
x = torch.ones(5, 3, dtype=torch.double)
print(x)
7.從已有的張量建立相同次元的新張量，并且重新定義類型為float
x = torch.randn_like(x, dtype=torch.float)
print(x)
8.列印一個張量的次元
print(x.size())
9.将兩個張量相加
y = torch.rand(5, 3)
print(x + y)
# 方法二
# print(torch.add(x, y))
# 方法三
# result = torch.empty(5, 3)
# torch.add(x, y, out=result)
# print(result)
# 方法四
# y.add_(x)
# print(y)
10.取張量的第一列
print(x[:, 1])
11.将一個4x4的張量resize成一個一維張量
x = torch.randn(4, 4)
y = x.view(16)
print(x.size(),y.size())
12.将一個4x4的張量，resize成一個2x8的張量
y = x.view(2, 8)
print(x.size(),y.size())
# 方法二
z = x.view(-1, 8) # 确定一個次元，-1的次元會被自動計算
print(x.size(),z.size())
13.從張量中取出數字
x = torch.randn(1)
print(x)
print(x.item())
1.2 Numpy的操作
14.将張量裝換成numpy數組
a = torch.ones(5)
print(a)
b = a.numpy()
print(b)
15.将張量+1，并觀察上題中numpy數組的變化
a.add_(1)
print(a)
print(b)
16.從numpy數組建立張量
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a)
print(b)
17.将numpy數組+1并觀察上題中張量的變化
np.add(a, 1, out=a)
print(a)
print(b)
2 自動微分
2.1 張量的自動微分
18.建立一個張量，并設定
requires_grad=True
x = torch.ones(2, 2, requires_grad=True)
print(x)
19.對張量進行任意操作（y = x + 2）
y = x + 2
print(y)
print(y.grad_fn) # y就多了一個AddBackward
20.再對y進行任意操作
z = y * y * 3
out = z.mean()
print(z) # z多了MulBackward
print(out) # out多了MeanBackward
2.2 梯度
21.對out進行反向傳播
out.backward()
22.列印梯度d(out)/dx
print(x.grad) #out=0.25*Σ3(x+2)^2
23.建立一個結果為矢量的計算過程（y=x*2^n）
x = torch.randn(3, requires_grad=True)
y = x * 2
while y.data.norm() < 1000:
y = y * 2
print(y)
24.計算
v = [0.1, 1.0, 0.0001]
處的梯度
v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)
y.backward(v)
print(x.grad)
25.關閉梯度的功能
print(x.requires_grad)
print((x ** 2).requires_grad)
with torch.no_grad():
print((x ** 2).requires_grad)
# 方法二
# print(x.requires_grad)
# y = x.detach()
# print(y.requires_grad)
# print(x.eq(y).all())
3 神經網絡
這部分會實作LeNet5，結構如下所示
3.1 定義網絡
import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 26.定義①的卷積層，輸入為32x32的圖像，卷積核大小5x5卷積核種類6
self.conv1 = nn.Conv2d(3, 6, 5)
# 27.定義③的卷積層，輸入為前一層6個特征，卷積核大小5x5，卷積核種類16
self.conv2 = nn.Conv2d(6, 16, 5)
# 28.定義⑤的全連結層，輸入為16*5*5，輸出為120
self.fc1 = nn.Linear(16 * 5 * 5, 120) # 6*6 from image dimension
# 29.定義⑥的全連接配接層，輸入為120，輸出為84
self.fc2 = nn.Linear(120, 84)
# 30.定義⑥的全連接配接層，輸入為84，輸出為10
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
# 31.完成input-S2，先卷積+relu，再2x2下采樣
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# 32.完成S2-S4，先卷積+relu，再2x2下采樣
x = F.max_pool2d(F.relu(self.conv2(x)), 2) #卷積核方形時，可以隻寫一個次元
# 33.将特征向量扁平成行向量
x = x.view(-1, 16 * 5 * 5)
# 34.使用fc1+relu
x = F.relu(self.fc1(x))
# 35.使用fc2+relu
x = F.relu(self.fc2(x))
# 36.使用fc3
x = self.fc3(x)
return x
net = Net()
print(net)
37.列印網絡的參數
params = list(net.parameters())
# print(params)
print(len(params))
38.列印某一層參數的形狀
print(params[0].size())
39.随機輸入一個向量，檢視前向傳播輸出
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
40.将梯度初始化
net.zero_grad()
41.随機一個梯度進行反向傳播
out.backward(torch.randn(1, 10))
3.2 損失函數
42.用自帶的MSELoss()定義損失函數
criterion = nn.MSELoss()
43.随機一個真值，并用随機的輸入計算損失
target = torch.randn(10) # 随機真值
target = target.view(1, -1) # 變成行向量
output = net(input) # 用随機輸入計算輸出
loss = criterion(output, target) # 計算損失
print(loss)
44.将梯度初始化，計算上一步中loss的反向傳播
net.zero_grad()
print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)
45.計算43中loss的反向傳播
loss.backward()
print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)
3.3 更新權重
46.定義SGD優化器算法，學習率設定為0.01
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.01)
47.使用優化器更新權重
optimizer.zero_grad()
output = net(input)
loss = criterion(output, target)
loss.backward()
# 更新權重
optimizer.step()
4 訓練一個分類器
4.1 讀取CIFAR10資料，做标準化
48.構造一個transform，将三通道(0,1)區間的資料轉換成(-1,1)的資料
import torchvision
import torchvision.transforms as transforms
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
讀取資料集
trainset = cifar(root = './input/cifar10', segmentation='train', transforms=transform)
testset = cifar(root = './input/cifar10', segmentation='test', transforms=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size,shuffle=True, num_workers=2)
testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size,shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
4.2 建立網絡
這部分沿用前面的網絡
net2 = Net()
4.3 定義損失函數和優化器
49.定義交叉熵損失函數
criterion2 = nn.CrossEntropyLoss()
50.定義SGD優化器算法，學習率設定為0.001，
momentum=0.9
optimizer2 = optim.SGD(net2.parameters(), lr=0.001, momentum=0.9)
4.4訓練網絡
for epoch in range(2):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# 擷取X,y對
inputs, labels = data
# 51.初始化梯度
optimizer2.zero_grad()
# 52.前饋
outputs = net2(inputs)
# 53.計算損失
loss = criterion2(outputs, labels)
# 54.計算梯度
loss.backward()
# 55.更新權值
optimizer2.step()
# 每2000個資料列印平均代價函數值
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')
4.5 使用模型預測
取一些資料
dataiter = iter(testloader)
images, labels = dataiter.next()
# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
56.使用模型預測
outputs = net2(images)
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
for j in range(4)))
57.在測試集上進行打分
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net2(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))
4.6 存取模型
58.儲存訓練好的模型
PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)
59.讀取儲存的模型
pretrained_net = torch.load(PATH)
60.加載模型
net3 = Net()
net3.load_state_dict(pretrained_net)
點選此處檢視線上運作效果
和鲸社群 - Kesci.comwww.kesci.com