Pytorch基础重新巩固

首先是pytorch的机制：

Torch 自称为神经网络界的 Numpy, 因为他能将 torch 产生的 tensor 放在 GPU 中加速运算

最常用的数据形式是tensor , torch中的tensor类似tensorflow中的tensor;

在编写代码的时候，注意把自己的数据转为tensor，然后如果需要梯度计算类似的操作再转为variable；若需要cuda运算，再加上cuda

其次是pytorch用于存储不断变化的量的variable:

variable计算的时候，后台搭建了一个动态计算图（tensorflow大部分时候是静态的），是将所有的计算步骤 (节点) 都连接起来, 最后进行误差反向传递的时候, 一次性将所有 variable 里面的修改幅度 (梯度) 都计算出来, 而 tensor 就没有这个能力。

不能直接获取variable的值，需要通过var.data来转换为tensor形式；

激励函数使得输出结果 y 也有了非线性的特征；cnn中推荐使用relu以及变化版；

扫描二维码关注公众号，回复： 6490622 查看本文章

class Net(torch.nn.Module): # 继承 torch 的 Module
网络的搭建集成nn.module，一般都会重写forward函数，最后一般通过output = Net(args)直接获取结果

torch训练过程：

for t in range(100):
    prediction = net(x)     # 喂给 net 训练数据 x, 输出预测值

    loss = loss_func(prediction, y)     # 计算两者的误差

    optimizer.zero_grad()   # 清空上一步的残余更新参数值
    loss.backward()         # 误差反向传播, 计算参数更新值
    optimizer.step()        # 将参数更新值施加到 net 的 parameters 上

快速搭建网络的sequential序列网络：

net2 = torch.nn.Sequential(
    torch.nn.Linear(1, 10),
    torch.nn.ReLU(),
    torch.nn.Linear(10, 1)
)

一般保存pytorch网络都采用

torch.save(net1.state_dict(), 'net_params.pkl') # 只保存网络中的参数 (速度快, 占内存少)

提取网络一般采用：

new_net.load_state_dict(torch.load('net_params.pkl'))

举一个pytorch加载数据集的例子：

import torch
import torch.utils.data as Data
torch.manual_seed(1)    # reproducible

BATCH_SIZE = 5      # 批训练的数据个数

x = torch.linspace(1, 10, 10)       # x data (torch tensor)
y = torch.linspace(10, 1, 10)       # y data (torch tensor)

# 先转换成 torch 能识别的 Dataset
torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)

# 把 dataset 放入 DataLoader
loader = Data.DataLoader(
    dataset=torch_dataset,      # torch TensorDataset format
    batch_size=BATCH_SIZE,      # mini batch size
    shuffle=True,               # 要不要打乱数据 (打乱比较好)
    num_workers=2,              # 多线程来读数据
)

for epoch in range(3):   # 训练所有!整套!数据 3 次
    for step, (batch_x, batch_y) in enumerate(loader):  # 每一步 loader 释放一小批数据用来学习
        # 假设这里就是你训练的地方...

若放在gpu加速的话需要修改的地方有：

数据.cuda()

net.cuda()

在 train 的时候, 将每次的training data 变成 GPU 形式

总之就是参与需要一直变化的运算的一切东西，都在后面加上.cuda()

参考自：https://morvanzhou.github.io/tutorials/machine-learning/torch/3-05-train-on-batch/

　　　　莫烦python

Pytorch基础重新巩固

猜你喜欢