Pytorch 学习开始
入门的材料来自两个地方：
第一个是官网教程：WELCOME TO PYTORCH TUTORIALS，特别是官网的六十分钟入门教程 DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ。
第二个是韩国大神 Yunjey Choi 的 Repo：pytorch-tutorial，代码写得干净整洁。
目的：我是直接把 Yunjey 的教程的 python 代码挪到 Jupyter Notebook 上来，一方面可以看到运行结果，另一方面可以添加注释和相关资料链接。方便后面查阅。
顺便一题，我的 Pytorch 的版本是 0.4.1
import torch
print(torch.version)
- 0.4.1
# 包
import torch
import torchvision
import torch.nn as nn
import numpy as np
import torchvision.transforms as transforms
autograd（自动求导 / 求梯度） 基础案例 1
# 创建张量（tensors）
x = torch.tensor(1., requires_grad=True)
w = torch.tensor(2., requires_grad=True)
b = torch.tensor(3., requires_grad=True)
# 构建计算图（ computational graph）：前向计算
y = w * x + b # y = 2 * x + 3
# 反向传播，计算梯度（gradients）
y.backward()
# 输出梯度
print(x.grad) # x.grad = 2
print(w.grad) # w.grad = 1
print(b.grad) # b.grad = 1
tensor(2.)
tensor(1.)
tensor(1.)
autograd（自动求导 / 求梯度） 基础案例 2
# 创建大小为 (10, 3) 和 (10, 2)的张量.
x = torch.randn(10, 3)
y = torch.randn(10, 2)
# 构建全连接层（fully connected layer）
linear = nn.Linear(3, 2)
print ('w: ', linear.weight)
print ('b: ', linear.bias)
# 构建损失函数和优化器（loss function and optimizer）
# 损失函数使用均方差
# 优化器使用随机梯度下降，lr是learning rate
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(linear.parameters(), lr=0.01)
# 前向传播
pred = linear(x)
# 计算损失
loss = criterion(pred, y)
print('loss: ', loss.item())
# 反向传播
loss.backward()
# 输出梯度
print ('dL/dw: ', linear.weight.grad)
print ('dL/db: ', linear.bias.grad)
# 执行一步-梯度下降（1-step gradient descent）
optimizer.step()
# 更底层的实现方式是这样子的
# linear.weight.data.sub_(0.01 * linear.weight.grad.data)
# linear.bias.data.sub_(0.01 * linear.bias.grad.data)
# 进行一次梯度下降之后，输出新的预测损失
# loss的确变少了
pred = linear(x)
loss = criterion(pred, y)
print(‘loss after 1 step optimization: ‘, loss.item())
tensor([[ 0.5180, 0.2238, -0.5470],
[ 0.1531, 0.2152, -0.4022]], requires_grad=True)
b: Parameter containing:
tensor([-0.2110, -0.2629], requires_grad=True)
loss: 0.8057981729507446
dL/dw: tensor([[-0.0315, 0.1169, -0.8623],
[ 0.4858, 0.5005, -0.0223]])
dL/db: tensor([0.1065, 0.0955])
loss after 1 step optimization: 0.7932316660881042
从 Numpy 装载数据
# 创建Numpy数组
x = np.array([[1, 2], [3, 4]])
print(x)
# 将numpy数组转换为torch的张量
y = torch.from_numpy(x)
print(y)
# 将torch的张量转换为numpy数组
z = y.numpy()
print(z)
[[1 2]
[3 4]]
tensor([[1, 2],
[3, 4]])
[[1 2]
[3 4]]
输入工作流（Input pipeline）
# 下载和构造CIFAR-10 数据集
# Cifar-10数据集介绍：https://www.cs.toronto.edu/~kriz/cifar.html
train_dataset = torchvision.datasets.CIFAR10(root=’…/…/…/data/’,
train=True,
transform=transforms.ToTensor(),
download=True)
# 获取一组数据对（从磁盘中读取）
image, label = train_dataset[0]
print (image.size())
print (label)
# 数据加载器（提供了队列和线程的简单实现）
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
batch_size=64,
shuffle=True)
# 迭代的使用
# 当迭代开始时，队列和线程开始从文件中加载数据
data_iter = iter(train_loader)
# 获取一组mini-batch
images, labels = data_iter.next()
# 正常的使用方式如下：
for images, labels in train_loader:
# 在此处添加训练用的代码
pass
Files already downloaded and verified
torch.Size([3, 32, 32])
6
自定义数据集的 Input pipeline
# 构建自定义数据集的方式如下：
class CustomDataset(torch.utils.data.Dataset):
def init(self):
# TODO
# 1. 初始化文件路径或者文件名
pass
def getitem(self, index):
# TODO
# 1. 从文件中读取一份数据（比如使用nump.fromfile，PIL.Image.open）
# 2. 预处理数据（比如使用 torchvision.Transform）
# 3. 返回数据对（比如 image和label）
pass
def len(self):
# 将0替换成数据集的总长度
return 0
# 然后就可以使用预置的数据加载器（data loader）了
custom_dataset = CustomDataset()
train_loader = torch.utils.data.DataLoader(dataset=custom_dataset,
batch_size=64,
shuffle=True)
预训练模型# 下载并加载预训练好的模型 ResNet-18
resnet = torchvision.models.resnet18(pretrained=True)
# 如果想要在模型仅对Top Layer进行微调的话，可以设置如下：
# requieres_grad设置为False的话，就不会进行梯度更新，就能保持原有的参数
for param in resnet.parameters():
param.requires_grad = False
# 替换TopLayer，只对这一层做微调
resnet.fc = nn.Linear(resnet.fc.in_features, 100) # 100 is an example.
# 前向传播
images = torch.randn(64, 3, 224, 224)
outputs = resnet(images)
print (outputs.size()) # (64, 100)
torch.Size([64, 100])
保存和加载模型
# 保存和加载整个模型
torch.save(resnet, ‘model.ckpt’)
model = torch.load(‘model.ckpt’)
# 仅保存和加载模型的参数（推荐这个方式）
torch.save(resnet.state_dict(), ‘params.ckpt’)
resnet.load_state_dict(torch.load(‘params.ckpt’))
