1.什么是PyTorch
什么是PyTorch?
PyTorch是一个基于Python的科学计算库,它有以下特点:
- 类似于NumPy,但是它可以使用GPU
- 可以用它定义深度学习模型,可以灵活地进行深度学习模型的训练和使用
Tensors
Tensor类似与NumPy的ndarray,唯一的区别是Tensor可以在GPU上加速运算。
import torch
构造一个未初始化的5x3矩阵:
x = torch.empty(5,3)
x
tensor([[ 0.0000e+00, -8.5899e+09, 0.0000e+00],[-8.5899e+09, nan, 0.0000e+00],[ 2.7002e-06, 1.8119e+02, 1.2141e+01],[ 7.8503e+02, 6.7504e-07, 6.5200e-10],[ 2.9537e-06, 1.7186e-04, nan]])
构建一个随机初始化的矩阵:
x = torch.rand(5,3)
x
tensor([[0.4628, 0.7432, 0.9785],[0.2068, 0.4441, 0.9176],[0.1027, 0.5275, 0.3884],[0.9380, 0.2113, 0.2839],[0.0094, 0.4001, 0.6483]])
构建一个全部为0,类型为long的矩阵:
x = torch.zeros(5,3,dtype=torch.long)
x
tensor([[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0]])
x = torch.zeros(5,3).long()
x.dtype
torch.int64
从数据直接直接构建tensor:
x = torch.tensor([5.5,3])
print(x)
print(x.dtype)
tensor([5.5000, 3.0000])
torch.float32
b=torch.ones(5,3)
b
tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]])
也可以从一个已有的tensor构建一个tensor。这些方法会重用原来tensor的特征,例如,数据类型,除非提供新的数据。
x = x.new_ones(5,3) #和x = torch.tensor([5.5,3])数据类型是一样的
print(x)
print(x.dtype)
tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]])
torch.float32
如果我们不想使用原来rensor的类型,可以重新构建
x=x.new_ones(5,3,dtype=torch.double)
print(x)
print(x.dtype)
tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]], dtype=torch.float64)
torch.float64
随机产生和上一个torch相同的tensor,like的意思是产生的数据格式要相同
x = torch.randn_like(x, dtype=torch.float)
x
tensor([[-0.2134, 0.7527, -0.2120],[ 0.0415, -0.1111, 0.4014],[ 0.7867, 0.3328, -0.6178],[-0.4304, -0.0557, -2.8077],[ 0.1898, -0.3103, 0.0750]])
得到tensor的形状:
x.shape # x.size
torch.Size([5, 3])
注意
``torch.Size`` 返回的是一个tuple
Operations
有很多种tensor运算。我们先介绍加法运算。
y = torch.rand(5,3)
y
tensor([[0.0673, 0.6387, 0.6082],[0.1486, 0.1579, 0.7911],[0.3715, 0.1544, 0.3721],[0.6817, 0.1626, 0.7495],[0.9223, 0.5138, 0.2845]])
x + y
tensor([[-0.1460, 1.3914, 0.3962],[ 0.1901, 0.0468, 1.1925],[ 1.1582, 0.4873, -0.2457],[ 0.2513, 0.1069, -2.0582],[ 1.1121, 0.2036, 0.3596]])
另一种着加法的写法
torch.add(x, y)
tensor([[-0.1460, 1.3914, 0.3962],[ 0.1901, 0.0468, 1.1925],[ 1.1582, 0.4873, -0.2457],[ 0.2513, 0.1069, -2.0582],[ 1.1121, 0.2036, 0.3596]])
加法:把输出作为一个变量
result = torch.empty(5,3)
torch.add(x, y, out=result)
# result = x + y
result
tensor([[ -0.7862, 3.6496, -0.2399],[ 0.3146, -0.2865, 2.3966],[ 3.5181, 1.4858, -2.0991],[ -1.0398, -0.0601, -10.4813],[ 1.6814, -0.7273, 0.5846]])
y
tensor([[-5.7278e-01, 2.8969e+00, -2.7890e-02],[ 2.7310e-01, -1.7537e-01, 1.9952e+00],[ 2.7315e+00, 1.1530e+00, -1.4813e+00],[-6.0942e-01, -4.4465e-03, -7.6736e+00],[ 1.4917e+00, -4.1704e-01, 5.0962e-01]])
in-place加法:在y上变化
y.add_(x)
y
tensor([[ -0.7862, 3.6496, -0.2399],[ 0.3146, -0.2865, 2.3966],[ 3.5181, 1.4858, -2.0991],[ -1.0398, -0.0601, -10.4813],[ 1.6814, -0.7273, 0.5846]])
注意
任何in-place的运算都会以``_``结尾。 举例来说:``x.copy_(y)``, ``x.t_()``, 会改变 ``x``。
各种类似NumPy的indexing都可以在PyTorch tensor上面使用。
x
tensor([[-0.2134, 0.7527, -0.2120],[ 0.0415, -0.1111, 0.4014],[ 0.7867, 0.3328, -0.6178],[-0.4304, -0.0557, -2.8077],[ 0.1898, -0.3103, 0.0750]])
x[1:, 1:] #第一行和第第一列之后的全部取
tensor([[-0.1111, 0.4014],[ 0.3328, -0.6178],[-0.0557, -2.8077],[-0.3103, 0.0750]])
Resizing: 如果你希望resize/reshape一个tensor,可以使用torch.view
:
x = torch.randn(4,4)
y = x.view(16)
z = x.view(-1,8)
z
tensor([[ 0.4438, 0.5009, -0.3959, -1.0779, -0.6019, -2.1380, 0.1840, 1.2618],[ 0.3149, -0.0254, -0.5463, -1.3400, 0.5634, -0.4591, -0.1635, -1.6674]])
如果你有一个只有一个元素的tensor,使用.item()
方法可以把里面的value变成Python数值。
x = torch.randn(1)
x
tensor([0.3443])
#dir(x)
x.data
tensor([0.3443])
x.item()
0.34428679943084717
z.transpose(1,0) #本来是2*8,现在变成8*2
tensor([[ 0.4438, 0.3149],[ 0.5009, -0.0254],[-0.3959, -0.5463],[-1.0779, -1.3400],[-0.6019, 0.5634],[-2.1380, -0.4591],[ 0.1840, -0.1635],[ 1.2618, -1.6674]])
更多阅读
各种Tensor operations, 包括transposing, indexing, slicing,
mathematical operations, linear algebra, random numbers在
<https://pytorch.org/docs/torch>
.
Numpy和Tensor之间的转化
在Torch Tensor和NumPy array之间相互转化非常容易。
Torch Tensor和NumPy array会共享内存,所以改变其中一项也会改变另一项。
把Torch Tensor转变成NumPy Array
a = torch.ones(5)
a
tensor([1., 1., 1., 1., 1.])
b = a.numpy()
b
array([1., 1., 1., 1., 1.], dtype=float32)
改变numpy array里面的值。
b[1] = 2
b
array([1., 2., 1., 1., 1.], dtype=float32)
a
tensor([1., 2., 1., 1., 1.])
把NumPy ndarray转成Torch Tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
[2. 2. 2. 2. 2.]
b
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
所有CPU上的Tensor都支持转成numpy或者从numpy转成Tensor。
CUDA Tensors
使用.to
方法,Tensor可以被移动到别的device上。
torch.cuda.is_available()
False
if torch.cuda.is_available():device = torch.device("cuda")y = torch.ones_like(x, device=device)x = x.to(device)z = x + yprint(z)print(z.to("cpu", torch.double))
y.to("cpu").data.numpy()
y.cpu().data.numpy()
model = model.cuda()
热身: 用numpy实现两层神经网络
一个全连接ReLU神经网络,一个隐藏层,没有bias。用来从x预测y,使用L2 Loss。
- h=W1Xh = W_1Xh=W1X
- a=max(0,h)a = max(0, h)a=max(0,h)
- yhat=W2ay_{hat} = W_2ayhat=W2a
这一实现完全使用numpy来计算前向神经网络,loss,和反向传播。
- forward pass
- loss
- backward pass
numpy ndarray是一个普通的n维array。它不知道任何关于深度学习或者梯度(gradient)的知识,也不知道计算图(computation graph),只是一种用来计算数学运算的数据结构。
N, D_in, H, D_out = 64, 1000, 100, 10 #N表示训练数据的个数# 随机创建一些训练数据
x = np.random.randn(N, D_in) #64*1000
y = np.random.randn(N, D_out) #64*10w1 = np.random.randn(D_in, H) # 1000*100
w2 = np.random.randn(H, D_out) # 100*10learning_rate = 1e-6
for it in range(500):# Forward passh = x.dot(w1) # N * Hh_relu = np.maximum(h, 0) # N * Hy_pred = h_relu.dot(w2) # N * D_out# compute lossloss = np.square(y_pred - y).sum()print(it, loss)# Backward pass# compute the gradientgrad_y_pred = 2.0 * (y_pred - y)grad_w2 = h_relu.T.dot(grad_y_pred)grad_h_relu = grad_y_pred.dot(w2.T)grad_h = grad_h_relu.copy()grad_h[h<0] = 0grad_w1 = x.T.dot(grad_h)# update weights of w1 and w2w1 -= learning_rate * grad_w1w2 -= learning_rate * grad_w2
PyTorch: Tensors
这次我们使用PyTorch tensors来创建前向神经网络,计算损失,以及反向传播。
一个PyTorch Tensor很像一个numpy的ndarray。但是它和numpy ndarray最大的区别是,PyTorch Tensor可以在CPU或者GPU上运算。如果想要在GPU上运算,就需要把Tensor换成cuda类型。
N, D_in, H, D_out = 64, 1000, 100, 10# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)w1 = torch.randn(D_in, H)
w2 = torch.randn(H, D_out)learning_rate = 1e-6
for it in range(500):# Forward passh = x.mm(w1) # N * Hh_relu = h.clamp(min=0) # N * Hy_pred = h_relu.mm(w2) # N * D_out# compute lossloss = (y_pred - y).pow(2).sum().item()print(it, loss)# Backward pass# compute the gradientgrad_y_pred = 2.0 * (y_pred - y)grad_w2 = h_relu.t().mm(grad_y_pred)grad_h_relu = grad_y_pred.mm(w2.t())grad_h = grad_h_relu.clone()grad_h[h<0] = 0grad_w1 = x.t().mm(grad_h)# update weights of w1 and w2w1 -= learning_rate * grad_w1w2 -= learning_rate * grad_w2
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)
learning_rate = 1e-6
w1 = torch.randn(D_in, H,requires_grad=True)
w2 = torch.randn(H, D_out,requires_grad=True)y_pred = x.mm(w1).clamp(min=0).mm(w2)
loss=(y_pred-y).pow(2).sum()loss.backward()
# w2.grad 对w2求导
简单的autograd
x = torch.tensor(1., requires_grad=True)
w = torch.tensor(2., requires_grad=True)
b = torch.tensor(3., requires_grad=True)y = w*x + b # y = 2*1+3y.backward() #自动求导# dy / dw = x
print(w.grad)
print(x.grad)
print(b.grad)
tensor(1.)
tensor(2.)
tensor(1.)
PyTorch: Tensor和autograd
PyTorch的一个重要功能就是autograd,也就是说只要定义了forward pass(前向神经网络),计算了loss之后,PyTorch可以自动求导计算模型所有参数的梯度。
一个PyTorch的Tensor表示计算图中的一个节点。如果x
是一个Tensor并且x.requires_grad=True
那么x.grad
是另一个储存着x
当前梯度(相对于一个scalar,常常是loss)的向量。
N, D_in, H, D_out = 64, 1000, 100, 10# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)w1 = torch.randn(D_in, H, requires_grad=True)
w2 = torch.randn(H, D_out, requires_grad=True)learning_rate = 1e-6
for it in range(500):# Forward passy_pred = x.mm(w1).clamp(min=0).mm(w2)# compute lossloss = (y_pred - y).pow(2).sum() # computation graphprint(it, loss.item())# Backward passloss.backward()# update weights of w1 and w2with torch.no_grad(): #不需要记住w1的grad和w2的gradw1 -= learning_rate * w1.gradw2 -= learning_rate * w2.gradw1.grad.zero_()w2.grad.zero_()
PyTorch: nn
这次我们使用PyTorch中nn这个库来构建网络。
用PyTorch autograd来构建计算图和计算gradients,
然后PyTorch会帮我们自动计算gradient。
import torch.nn as nnN, D_in, H, D_out = 64, 1000, 100, 10# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)model = torch.nn.Sequential(torch.nn.Linear(D_in, H, bias=False), # w_1 * x + b_1 bias=False,表示没有偏置项torch.nn.ReLU(),torch.nn.Linear(H, D_out, bias=False),
)#初始化的效果并不好,所以normal一下
torch.nn.init.normal_(model[0].weight)
torch.nn.init.normal_(model[2].weight)# model = model.cuda()loss_fn = nn.MSELoss(reduction='sum')learning_rate = 1e-6
for it in range(500):# Forward passy_pred = model(x) # model.forward() # compute lossloss = loss_fn(y_pred, y) # computation graph loss = (y_pred - y).pow(2).sum() print(it, loss.item())# Backward passloss.backward()# update weights of w1 and w2with torch.no_grad():for param in model.parameters(): # param (tensor, grad)param -= learning_rate * param.gradmodel.zero_grad()
model
Sequential((0): Linear(in_features=1000, out_features=100, bias=False)(1): ReLU()(2): Linear(in_features=100, out_features=10, bias=False)
)
model[0].weight
Parameter containing:
tensor([[-0.3164, 1.4052, -0.4559, ..., -0.4327, 0.4503, 1.3552],[ 2.9527, 0.8730, -0.8433, ..., -1.2369, 0.2527, -0.9086],[ 1.1706, -0.7496, -0.5939, ..., -0.4606, 0.2525, -1.8640],...,[-0.8998, -0.2335, 0.4697, ..., 0.3832, -1.6095, -0.3557],[-0.3498, 0.0871, -1.9896, ..., 0.0476, 0.1617, -0.3342],[ 1.0591, 0.6349, -0.2374, ..., -0.4415, -1.1165, -0.0973]],requires_grad=True)
w = torch.empty(3, 5)
print(w)
tensor([[-1.7689e-28, 4.5695e-41, 1.0203e-27, 3.0770e-41, 0.0000e+00],[ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00],[ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00]])
nn.init.normal_(w)
tensor([[ 0.1995, 0.2254, 1.1564, -0.9050, 1.1599],[ 0.9236, 0.5222, 0.3482, 1.2817, -2.9001],[ 0.9082, -0.3100, 0.8182, -1.2605, 0.4819]])
PyTorch: optim
这一次我们不再手动更新模型的weights,而是使用optim这个包来帮助我们更新参数。
optim这个package提供了各种不同的模型优化方法,包括SGD+momentum, RMSProp, Adam等等。
import torch.nn as nnN, D_in, H, D_out = 64, 1000, 100, 10# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)model = torch.nn.Sequential(torch.nn.Linear(D_in, H, bias=False), # w_1 * x + b_1torch.nn.ReLU(),torch.nn.Linear(H, D_out, bias=False),
)torch.nn.init.normal_(model[0].weight)
torch.nn.init.normal_(model[2].weight)# model = model.cuda()loss_fn = nn.MSELoss(reduction='sum')
# learning_rate = 1e-4
# optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)learning_rate = 1e-6
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) #优化模型的参数for it in range(500):# Forward passy_pred = model(x) # model.forward() # compute lossloss = loss_fn(y_pred, y) # computation graphprint(it, loss.item())optimizer.zero_grad()# Backward passloss.backward()# update model parametersoptimizer.step()
PyTorch: 自定义 nn Modules
我们可以定义一个模型,这个模型继承自nn.Module类。如果需要定义一个比Sequential模型更加复杂的模型,就需要定义nn.Module模型。
import torch.nn as nnN, D_in, H, D_out = 64, 1000, 100, 10# 随机创建一些训练数据
x = torch.randn(N, D_in)
y = torch.randn(N, D_out)# 集成模型,如果定义更复杂的模型可以这样写
class TwoLayerNet(torch.nn.Module):def __init__(self, D_in, H, D_out):super(TwoLayerNet, self).__init__()# define the model architectureself.linear1 = torch.nn.Linear(D_in, H, bias=False)self.linear2 = torch.nn.Linear(H, D_out, bias=False)def forward(self, x):y_pred = self.linear2(self.linear1(x).clamp(min=0))return y_predmodel = TwoLayerNet(D_in, H, D_out)
loss_fn = nn.MSELoss(reduction='sum')
learning_rate = 1e-4
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)for it in range(500):# Forward passy_pred = model(x) # model.forward() # compute lossloss = loss_fn(y_pred, y) # computation graphprint(it, loss.item())optimizer.zero_grad()# Backward passloss.backward()# update model parametersoptimizer.step()
总结
1.定义输入和输出
2.定义model
3.定义loss
4.定义optimizer
1.什么是PyTorch相关推荐
- 通过anaconda2安装python2.7和安装pytorch
①由于官网下载anaconda2太慢,最好去byrbt下载,然后安装就行 ②安装完anaconda2会自动安装了python2.7(如终端输入python即进入python模式) 但是可能没有设置环境 ...
- 记录一次简单、高效、无错误的linux上安装pytorch的过程
1 准备miniconda Miniconda Miniconda 可以理解成Anaconda的免费.浓缩版.它非常小,只包含了conda.python以及它们依赖的一些包.我们可以根据我们的需要再安 ...
- 各种注意力机制PyTorch实现
给出了整个系列的PyTorch的代码实现,以及使用方法. 各种注意力机制 Pytorch implementation of "Beyond Self-attention: External ...
- PyTorch代码调试利器_TorchSnooper
GitHub 项目地址: https://github.com/zasdfgbnm/TorchSnooper 大家可能遇到这样子的困扰:比如说运行自己编写的 PyTorch 代码的时候,PyTorch ...
- pytorch常用代码
20211228 https://mp.weixin.qq.com/s/4breleAhCh6_9tvMK3WDaw 常用代码段 本文代码基于 PyTorch 1.x 版本,需要用到以下包: impo ...
- API pytorch tensorflow
pytorch与tensorflow API速查表 方法名称 pytroch tensorflow numpy 裁剪 torch.clamp(x, min, max) tf.clip_by_value ...
- tensor转换 pytorch tensorflow
一.tensorflow的numpy与tensor互转 1.数组(numpy)转tensor 利用tf.convert_to_tensor(numpy),将numpy转成tensor >> ...
- tensor和模型 保存与加载 PyTorch
PyTorch教程-7:PyTorch中保存与加载tensor和模型详解 保存和读取Tensor PyTorch中的tensor可以保存成 .pt 或者 .pth 格式的文件,使用torch.save ...
- detach detach_ pytorch
pytorch中的detach和detach_ pytorch 的 Variable 对象中有两个方法,detach和 detach_ : detach 官方文档中,对这个方法是这么介绍的. 返回一个 ...
- linux pytorch 快速安装
https://pypi.tuna.tsinghua.edu.cn/simple/torch/ pytorch 清华源 pip 默认为系统的python2.7 pip3 为安装的最高版本 linux安 ...
最新文章
- CF-346 D. Robot Control(反向建图spfa)
- codeforces contest 1119
- python-----运算符及while循环
- How myTask application is loaded in CreateFromAccount scenario
- YUV422格式信号格式(以备学习之用)
- Redis面试 - redis 的并发竞争问题是什么?
- 【年末盛会】最值得参加的信息技术与计算机应用学术会议来了!
- (转)RabbitMQ学习之exchange总结
- 一条SQL完成跨数据库实例Join查询
- spring中redistemplate不能用通配符keys查出相应Key的问题
- c语言课程设计物业,C语言课程设计报告--物业管理系统.doc
- PV、EV、AC、BAC、EAC、ETC等的含义及计算公式
- USACO 2021 December Contest, Bronze
- Let's Use Chinaese in Flex Successfully
- java.lang.ClassCastException: de.odysseus.el.ExpressionFactoryImpl cannot be cast to javax.el.Expres
- PaddlePaddle深度学习7日入门CV篇Summaries
- 关于风向的u、v分量,及根据uv计算风向公式
- Java做简单的界面
- 数字图像处理01:imadjust函数的Pyhton实现
- 硬件篇——阻容一阶滤波电路
热门文章
- 领导力:不要做个“好人”
- 母亲节礼物之wifi共享精灵
- 2023最新SSM计算机毕业设计选题大全(附源码+LW)之java宜居家居用品网jte0e
- WCDMA网络手机开机流程
- kaggle Talking Data 广告欺诈检测竞赛 top 1%方案分享
- 算法实验之线性规划解决配料问题
- 三步教你iOS导入.ttf字体文件
- tecplot输出的eps文件不能完美地插入Latex
- bacnet (收集)
- c语言课程设计自动取款机,C语言课程设计………银行自动存取款机模拟.doc