PyTorch是Facebook开发的AI框架，其最新代码在GitHub进行更新。自2017年以来，它的使用率稳步一直保持稳定增长。相对于TensorFlow框架入门更为简单，也可以很方便的进行网络的构建以完成网络的训练，从而帮助我们很快的复现论文，是一个非常值得学习的框架。

本文主要介绍PyTorch的入门知识，从构建网络模型开始，到如何创建自定义的数据加载器，然后更新网络权重以完成模型的训练。

构建网络

PyTorch提供了一种构建自己模型的标准方法，整个定义应保留在对象中，该对象是nn.Module类的子类。在该类中，一般包含__init__和forward方法，为了更形象的解释如何使用这些基本概念，我在下面给出了一个神经网络模型构建的示例，该网络包含3个全连接层和2个RELU层。

import torch
import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()# Defining 3 linear layers but NOT the way they should be connected# Receives an array of length 240 and outputs one with length 120self.fc1 = nn.Linear(240, 120)# Receives an array of length 120 and outputs one with length 60self.fc2 = nn.Linear(120, 60)# Receives an array of length 60 and outputs one with length 10self.fc3 = nn.Linear(60, 10)def forward(self, x):# Defining the way that the layers of the model should be connected# Performs RELU on the output of layer 'self.fc1 = nn.Linear(240, 120)'x = F.relu(self.fc1(x))# Performs RELU on the output of layer 'self.fc2 = nn.Linear(120, 60)'x = F.relu(self.fc2(x))# Passes the array through the last linear layer 'self.fc3 = nn.Linear(60, 10)'x = self.fc3(x)return xnet = Net()

· __init__

与其他Python类一样，__init__方法用于定义类的属性和初始化卷积的一些参数。在PyTorch上下文中，始终调用super()方法来初始化父类。除此之外，还可以定义所有具有可优化参数的网络层，对于网络层的定义不需要按照在网络中使用的顺序，因为此处仅完成对网络层的定义。

· forward

表示网络的前向传播过程，即表示各层如何连接的方法，用来构建网络层的先后运算步骤。从上述示例中可以看到，在其中调用__init__内定义的网络层，然后返回代表网络输出的值。

值得注意的是，在forward方法中应用了一些其他函数，这些函数在__init__方法中未定义，但也可以称作网络层。以F.relu()函数为例，我们没有在__init__方法中定义它，是因为它没有任何可训练的参数。换句话说，如果给F.relu()函数提供相同的输入，它将始终提供相同的输出，网络的训练不会影响其行为。因此，根据经验，可以将没有任何权重更新的网络层放入forward方法中。换而言之，将所有具有权重的网络层放在__init__中。

加载数据：Dataset和DataLoader

Dataset和DataLoader是PyTorch中的两个工具，可以定义如何访问数据，便于读者使用自己的数据完成对模型的训练。下面的代码提供了一个使用简单的Dataset / DataLoader类的示例，说明如何定义自己的Dataset类，并完成数据的加载过程。

import torch
import pandas as pd
from torch.utils.data import Dataset, DataLoaderclass ExampleDataset(Dataset):
"""Example Dataset"""def __init__(self, csv_file):
""" csv_file (string): Path to the csv file containing data."""self.data_frame = pd.read_csv(csv_file)def __len__(self):
return len(self.data_frame)def __getitem__(self, idx):
return self.data_frame[idx]# instantiates the dataset
example_dataset = ExampleDataset('my_data_file.csv')# batch size: number of samples returned per iteration
# shuffle: Flag to shuffle the data before reading so you don't read always in the same order
# num_workers: used to load the data in parallel
example_data_loader = DataLoader(example_dataset, , batch_size=4, shuffle=True, num_workers=4)# Loops over the data 4 samples at a time
for batch_index, batch in enumerate(example_data_loader):print(batch_index, batch)

上述Dataset类中使用了3种方法：

· __init__

在初始化过程中，应该输入数据目录信息和其他允许访问的信息。例如上述示例是从csv文件加载数据，也可以使用加载文件名列表，其中每个文件名代表一个数据。注意：在该过程中还未加载数据。

· __len__

该方法用于返回数据集的大小。例如，如果某些目录中有一些图像，则必须实现一种对构成该数据集文件总数进行计数的方法。上述示例中只是获得数据帧的长度。

· __getitem__

该方法用于接收一个索引idx，并返回数据集中对应的数据和标签，是数据加载的核心方法。

为了更有效地加载数据集，我们可以使用DataLoader类。该类可以并行读取一批数据，同时可以选择是否对数据进行重新排序。所有上述操作技巧都可以帮助我们更好地完成模型的训练。

·  END  ·

RECOMMEND

推荐阅读

1. 效率提升的软件大礼包

2. 那么多可选编程语言，Why Python？

3. 学习Python，你选对书了吗？

4. 90%初学者会混淆的Python概念