【深度学习】60题PyTorch简易入门指南,做技术的弄潮儿
1 初识PyTorch
1.1 张量
1.导入pytorch包
import torch
2.创建一个空的5x3张量
x = torch.empty(5, 3)
print(x)
3.创建一个随机初始化的5x3张量
x = torch.rand(5, 3)
print(x)
4.创建一个5x3的0张量,类型为long
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
5.直接从数组创建张量
x = torch.tensor([5.5, 3])
print(x)
6.创建一个5x3的单位张量,类型为double
x = torch.ones(5, 3, dtype=torch.double)
print(x)
7.从已有的张量创建相同维度的新张量,并且重新定义类型为float
x = torch.randn_like(x, dtype=torch.float)
print(x)
8.打印一个张量的维度
print(x.size())
9.将两个张量相加
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.取张量的第一列
print(x[:, 1])
11.将一个4x4的张量resize成一个一维张量
x = torch.randn(4, 4)
y = x.view(16)
print(x.size(),y.size())
12.将一个4x4的张量,resize成一个2x8的张量
y = x.view(2, 8)
print(x.size(),y.size())# 方法二
z = x.view(-1, 8) # 确定一个维度,-1的维度会被自动计算
print(x.size(),z.size())
13.从张量中取出数字
x = torch.randn(1)
print(x)
print(x.item())
1.2 Numpy的操作
14.将张量转换成numpy数组
a = torch.ones(5)
print(a)b = a.numpy()
print(b)
15.将张量+1,并观察上题中numpy数组的变化
a.add_(1)
print(a)
print(b)
16.从numpy数组创建张量
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a)
print(b)
17.将numpy数组+1并观察上题中张量的变化
np.add(a, 1, out=a)
print(a)
print(b)
2 自动微分
2.1 张量的自动微分
18.新建一个张量,并设置requires_grad=True
x = torch.ones(2, 2, requires_grad=True)
print(x)
19.对张量进行任意操作(y = x + 2)
y = x + 2
print(y)
print(y.grad_fn) # y就多了一个AddBackward
20.再对y进行任意操作
z = y * y * 3
out = z.mean()print(z) # z多了MulBackward
print(out) # out多了MeanBackward
2.2 梯度
21.对out进行反向传播
out.backward()
22.打印梯度d(out)/dx
print(x.grad) #out=0.25*Σ3(x+2)^2
23.创建一个结果为矢量的计算过程(y=x*2^n)
x = torch.randn(3, requires_grad=True)y = x * 2
while y.data.norm() < 1000:y = y * 2print(y)
24.计算v = [0.1, 1.0, 0.0001]
处的梯度
v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)
y.backward(v)print(x.grad)
25.关闭梯度的功能
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 神经网络
这部分会实现LeNet5,结构如下所示
3.1 定义网络
import torch
import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()# 26.定义①的卷积层,输入为32x32的图像,卷积核大小5x5卷积核种类6self.conv1 = nn.Conv2d(3, 6, 5)# 27.定义③的卷积层,输入为前一层6个特征,卷积核大小5x5,卷积核种类16self.conv2 = nn.Conv2d(6, 16, 5)# 28.定义⑤的全链接层,输入为16*5*5,输出为120self.fc1 = nn.Linear(16 * 5 * 5, 120) # 6*6 from image dimension# 29.定义⑥的全连接层,输入为120,输出为84self.fc2 = nn.Linear(120, 84)# 30.定义⑥的全连接层,输入为84,输出为10self.fc3 = nn.Linear(84, 10)def forward(self, x):# 31.完成input-S2,先卷积+relu,再2x2下采样x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))# 32.完成S2-S4,先卷积+relu,再2x2下采样x = F.max_pool2d(F.relu(self.conv2(x)), 2) #卷积核方形时,可以只写一个维度# 33.将特征向量扁平成行向量x = x.view(-1, 16 * 5 * 5)# 34.使用fc1+relux = F.relu(self.fc1(x))# 35.使用fc2+relux = F.relu(self.fc2(x))# 36.使用fc3x = self.fc3(x)return xnet = Net()
print(net)
37.打印网络的参数
params = list(net.parameters())
# print(params)
print(len(params))
38.打印某一层参数的形状
print(params[0].size())
39.随机输入一个向量,查看前向传播输出
input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)
40.将梯度初始化
net.zero_grad()
41.随机一个梯度进行反向传播
out.backward(torch.randn(1, 10))
3.2 损失函数
42.用自带的MSELoss()定义损失函数
criterion = nn.MSELoss()
43.随机一个真值,并用随机的输入计算损失
target = torch.randn(10) # 随机真值
target = target.view(1, -1) # 变成行向量output = net(input) # 用随机输入计算输出loss = criterion(output, target) # 计算损失
print(loss)
44.将梯度初始化,计算上一步中loss的反向传播
net.zero_grad()print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)
45.计算43中loss的反向传播
loss.backward()print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)
3.3 更新权重
46.定义SGD优化器算法,学习率设置为0.01
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.01)
47.使用优化器更新权重
optimizer.zero_grad()
output = net(input)
loss = criterion(output, target)
loss.backward()# 更新权重
optimizer.step()
4 训练一个分类器
4.1 读取CIFAR10数据,做标准化
48.构造一个transform,将三通道(0,1)区间的数据转换成(-1,1)的数据
import torchvision
import torchvision.transforms as transformstransform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
读取数据集
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 建立网络
这部分沿用前面的网络
net2 = Net()
4.3 定义损失函数和优化器
49.定义交叉熵损失函数
criterion2 = nn.CrossEntropyLoss()
50.定义SGD优化器算法,学习率设置为0.001,momentum=0.9
optimizer2 = optim.SGD(net2.parameters(), lr=0.001, momentum=0.9)
4.4训练网络
for epoch in range(2):running_loss = 0.0for i, data in enumerate(trainloader, 0):# 获取X,y对inputs, labels = data# 51.初始化梯度optimizer2.zero_grad()# 52.前馈outputs = net2(inputs)# 53.计算损失loss = criterion2(outputs, labels)# 54.计算梯度loss.backward()# 55.更新权值optimizer2.step()# 每2000个数据打印平均代价函数值running_loss += loss.item()if i % 2000 == 1999: # print every 2000 mini-batchesprint('[%d, %5d] loss: %.3f' %(epoch + 1, i + 1, running_loss / 2000))running_loss = 0.0print('Finished Training')
4.5 使用模型预测
取一些数据
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.使用模型预测
outputs = net2(images)_, predicted = torch.max(outputs, 1)print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]for j in range(4)))
57.在测试集上进行打分
correct = 0
total = 0
with torch.no_grad():for data in testloader:images, labels = dataoutputs = 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.保存训练好的模型
PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)
59.读取保存的模型
pretrained_net = torch.load(PATH)
60.加载模型
net3 = Net()net3.load_state_dict(pretrained_net)
往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑黄海广老师《机器学习课程》视频课
本站qq群851320808,加入微信群请扫码:
【深度学习】60题PyTorch简易入门指南,做技术的弄潮儿相关推荐
- 《60题PyTorch简易入门指南,做技术的弄潮儿!》
转载来源:<60题PyTorch简易入门指南,做技术的弄潮儿! > 发布于和鲸社区 原文地址:https://www.kesci.com/mw/project/5e0038642823a1 ...
- GitHub 近两万 Star!深度学习 500 问带你入门人工智能!| 技术头条
作者 | 非主流.Jane 出品 | CSDN AI 科技大本营(ID:rgznai100) 程序员转行学什么语言? https://edu.csdn.net/topic/ai30?utm_sourc ...
- PyTorch 深度学习: 60 分钟极速入门
PyTorch 深度学习: 60 分钟极速入门 2019年年初,ApacheCN组织志愿者翻译了PyTorch1.2版本中文文档(github地址),同时也获得了PyTorch官方授权,我相信已经有许 ...
- 深度学习实战_五天入门深度学习,这里有一份PyTorch实战课程
这是一门五天入门深度学习的实战课程. 想入门深度学习的小伙伴有福了!dataflowr 最近推出了一门五天初步掌握深度学习的实战教程(实战使用 PyTorch 框架),有知识点有实例有代码,值得一看. ...
- 大佬原创 | 深度学习60讲453页pdf下载
关注公众号 后台回复 深度学习 即可下载深度学习60讲 作者简介 机器学习实验室的号主作为一名统计专业的硕士毕业生,一路从数据分析师进阶到深度学习算法工程师.现于杭州一家AI初创公司担任深度学习算法工 ...
- 最新翻译的官方PyTorch简易入门教程(PyTorch1.0版本)
"PyTorch 深度学习:60分钟快速入门"为PyTorch官网教程,网上已经有部分翻译作品,随着PyTorch1.0版本的公布,这个教程有较大的代码改动,本人对教程进行重新翻译 ...
- 深度学习语义分割理论与实战指南.pdf
深度学习语义分割理论与实战指南 V1.0 版本已经完成,主要包括语义分割概述.关键技术组件.数据模块.经典分割网络与架构.PyTorch基本实战方法等五个部分. 获取方式: 扫描关注下方公众号回复 语 ...
- 深度学习框架集成平台C++ Guide指南
深度学习框架集成平台C++ Guide指南 这个指南详细地介绍了神经网络C++的API,并介绍了许多不同的方法来处理模型. 提示 所有框架运行时接口都是相同的,因此本指南适用于所有受支持框架(包括Te ...
- 1.0 深度学习回顾与PyTorch简介 - PyTorch学习笔记
P1 深度学习回顾与PyTorch简介 视频课程地址:点我 fly~~~ 本节课主要偏向于NLP,因为作者本人是做NLP方向NLP 预训练三种模型: BERT OpenAI GPT ELMo [NLP ...
最新文章
- 乐安全 支持x86_国产EDA又进一步!芯华章发布全新仿真技术:x86、ARM等架构通吃...
- TikTok又添劲敌 Meta元宇宙携Reels宣战
- 网络状态代码数字的含义
- 微服务架构在云端的应用
- 关于photoswiper展示时图片自适应的问题
- RxJS Functional Programming
- kdj指标主要看哪个值_悟空CRM:在线crm主要看这两个指标,都非常重要!
- java表单重复提交_JavaWeb防止表单重复提交(转载)
- 持续集成部署Jenkins工作笔记0015---编辑SVN钩子程序
- 关于scanf 函数,你很少了解的“秘密”
- 请列举中图片内存处理的六种方法,并简单介绍
- sql between包括两端吗_sql:简单查询
- unity太空射击源码_引擎入门 | 创建双杆射击游戏(入门 2)
- 如何从计算机中删除 Exchange Server 2003
- “熊猫烧香”有新变种 可自动下载病毒
- SSL基础:5:openssl常用选项说明
- Three.js加载OBJ模型或FBX模型
- Detecting Causality in Complex Ecosystems(检测复杂生态系统中的因果关系附件)
- 学校部门申请成立计算机中心,学生计算机社团成立申请书
- 基于NEO4J图模型的关系计算