Pytorch基础

简介: Pytorch基础


一、Pytorch简介

Torch是一个经典的对多维矩阵数据进行操作的张量( tensor ) 库。

Pytorch的计算图是动态的,可以根据计算需要实时改变计算图。

二、安装

2.1 安装GPU环境

conda环境、CUDA环境和 CUDNN环境

2.2 安装Pytorch

https://pytorch.org/

官网会自动显示符合电脑配置的Pytorch版本

2.3 测试

import torch
print(torch.__version__)           # pytorch版本
print(torch.version.cuda)          # cuda版本
print(torch.cuda.is_available())   # 查看cuda是否可用

这里使用的是CPU版本

三、Tensor

Tensor张量是Pytorch里最基本的数据结构,是一个多维矩阵。

基本数据类型

3.1 Tensor创建

  • 全0
    torch.zeros(3,3)
  • 全1
    torch.ones(3,3)
  • 单位矩阵
    torch.eye(3,3)
  • 基础
    torch.Tensor([1,3]) # 将序列[1,3]转换为tensor
  • 指定数据类型
    torch.IntTensor([1,2])
  • 随机数
    torch.randn(3,3)
  • n数字随机排序
    torch.randperm(n)
  • 根据A的尺寸创建
    A.new_ones(size=B.size())

3.1.1 torch.tensor() && torch.tensor([])

主要区别在于创建的对象的size和value不同

torch.Tensor(2,3)    # 2行3列 
torch.Tensor([2,3])  # 将列表[2,3]转换为tensor

3.1.2 torch.randn && torch.randperm

torch.randn生成的数据类型为浮点型,生成的数据取值满足均值为0,方差为1的正态分布。

torch.randn(2,3)

torch.randperm(n)创建一个n个整数,随机排列的Tensor

torch.randperm(10)

3.1.3 torch.range(begin,end,step)

生成一个一维的Tensor,三个参数分别为起始位置,终止位置和步长。

torch.range(1,10,2)
# tensor([1.,3.,5.,7.,9.])

3.1.4 指定numpy

需要创建指定的Tensor,可以使用numpy

torch.tensor(np.arange(15).reshape(3,5))

3.2 Tensor运算

  1. torch.abs(A)
    绝对值
  2. torch.add(A,B)
    相加,A和B既可以是Tensor也可以是标量
  3. torch.clamp(A,max,min)
    裁剪,A中的数据如果小于min或者大于max,则变成min或者max,保证范围在[min,max]
  4. torch.div(A,B)
    相除,A/B, A和B既可以是Tensor也可以是标量
  5. torch.mul(A,B)
    点乘,A*B, A和B既可以是Tensor也可以是标量
  6. torch.pow(A,n)
    求幂, A的n次方
  7. torch.mm(A,B.T)
    矩阵叉乘
  8. torch.mv(A,B)
    矩阵与向量相乘,A是矩阵,B是向量,这里的B需不需要转置都是可以的
  9. A.item()
    将Tensor转换为基本数据类型,Tensor中只有一个元素的时候才可以使用,一般用于在Tensor中取出数值。
  10. A.numpy()
    将Tensor转换成Numpy类型
  11. A.size()
    查看尺寸
  12. A.shape()
    查看尺寸
  13. A.dtype()
    查看数据类型
  14. A.view()
    重构张量尺寸,类似于Numpy中的reshape
  15. A.transpose(0,1)
    行列交换
  16. A[1:] && A[-1,-1] = 100
    切片,类似Numpy中的操作
  17. A.zero_()
    归零化
  18. torch.stack((A,B),sim=-1)
    拼接升维
  19. torch.diag(A)
    对A对角线元素形成一个一维向量
  20. torch.diag_embed(A)
    将一维向量放到对角线上,其余数值为0的Tensor
  21. torch.unsqueeze()
  22. torch.squeeze()

3.2.1 A.add() && A.add_()

所有带_符号的操作都会对原数据进行修改

b.add(1)
b.add_(1)

3.2.2 torch.stack

stack为拼接函数,函数第一个参数为需要拼接的Tensor, 第二个参数为分到哪个维度

C1 = torch.stack((A,B).dim=0)  # -1 默认是按最后一个维度

四、CUDA

CUDA是一种操作GPU的软件架构,Pytorch配合GPU环境,模型的训练速度会大大加快。

import torch
# 测试GPU环境是否可用
print(torch.__version__)   # pytorch版本
print(torch.version.cuda)  # cuda版本
print(torch.cuda.is_available())   # 查看cuda是否可用
# 使用GPU or CPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 判断某个对象是在什么环境中运行的
a.device
# 将对象的环境设置为device环境
A = A.to(device)
# 将对象环境设置为CPU
A.cpu().device
# 若一个没有环境的对象与另一个有环境A的对象进行交互,则环境全变为环境A
a + b.to(device)
# cuda环境下tensor不能直接转换为numpy类型,必须要先转换成CPU环境中
a.cpu().numpy()
# 创建CUDA型的tensor
torch.tensor([1,2],device)

五、其他技巧

5.1 自动微分

神经网络依赖反向传播求梯度来更新网络的参数。

在Pytorch中,提供了两种求梯度的方式

  • backward,将求得的结果保存在自变量的grad属性中
  • torch.autograd.grad

5.1.1 backward求导

使用backward进行求导,针对两种对象:标量Tensor和非标量Tensor求导。

两者的主要区别在于非标量Tensor求导加了一个gradient的Tensor, 其尺寸与自变量X的尺寸一致,在求完导后,需要与gradient进行点积,只是一般的求导的话,设置的gradient的Tensor元素值全部为1。

import numpu as np
import torch
# 标量Tensor求导
# 求f(x) = a*x**2 + b*x + c 的导数
x = torch.tensor(-2.0,requires_grad=True)  # 需要添加requires_grad
a = torch.tensor(1.0)
b = torch.tensor(2.0)
c = torch.tensor(3.0)
y = a * torch.pow(x,2) + b*x +c
y.backward()  # backward求得的梯度会存储在自变量x的grad属性中
dy_dx = x.grad
# 非标量Tensor求导
# 求f(x) = a*x**2 + b*x + c 的导数
x = torch.tensor([[-2.0,-1.0],[0.0,1.0]],requires_grad=True)
a = torch.tensor(1.0)
b = torch.tensor(2.0)
c = torch.tensor(3.0)
gradient = torch.tensor([[1.0,1.0],[1.0,1.0]])
y = a * torch.pow(x,2) + b*x +c
y.backward(gradient = gradient)  # backward求得的梯度会存储在自变量x的grad属性中
dy_dx = x.grad
# 使用标量求导方式解决非标量求导
# 求f(x) = a*x**2 + b*x + c 的导数
x = torch.tensor([[-2.0,-1.0],[0.0,1.0]],requires_grad=True)
a = torch.tensor(1.0)
b = torch.tensor(2.0)
c = torch.tensor(3.0)
gradient = torch.tensor([[1.0,1.0],[1.0,1.0]])
y = a * torch.pow(x,2) + b*x +c
z = torch.sum(y*gradient)
z.backward()
dy_dx = x.grad

5.1.2 autograd.grad求导

import torch
# 单个自变量求导
# 求f(x) = a*x**4 + b*x + c的导数
x = torch.tensor(1.0,requires_grad=True)
a = torch.tensor(1.0)
b = torch.tensor(2.0)
c = torch.tensor(3.0)
y = a * torch.pow(x,4) + b*x + c
# create_graph设置为True,允许创建更高阶的导数
# 求一阶导
dy_dx = torch.autograd.grad(y,x,create_graph=True)[0]
# 求二阶导
dy2_dx2 = torch.autograd.grad(dy_dx ,x,create_graph=True)[0]
# 求三阶导
dy_dx3 = torch.autograd.grad(dy2_dx2 ,x)[0]  # 不再求更高阶导
# 多个自变量求偏导
x1 = torch.tensor(1.0,requires_grad=True)
x2 = torch.tensor(2.0,requires_grad=True)
y1 = x1 * x2
y2 = x1 + x2
# 只有一个因变量,正常求偏导
dy1_dx1,dy1_dx2 = torch.autograd(outputs=y1,inputs=[x1,x2],retain_graph=True)
# 若有多个因变量,则对于每个因变量,会将求偏导的结果加起来
dy1_dx,dy2_dx = torch.autograd.grad(outputs=[y1,y2],inputs=[x1,x2])

5.2 求最小值

使用自动微分机制配套使用SGD随机梯度下降来求最小值。

# 利用自动微分和优化器求最小值
import numpy as np
import torch
# f(x) = a*x**2 + b*x + c 的最小值
x = torch.tensor(0.0,requires_grad=True)   # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
optimizer = torch.optim.SGD(params=[x],lr=0.01) # SGD为随机梯度下降,lr学习率
def f(x):
    result = a*torch.pow(x,2) + b*x +c
    return result
for i in range(500):
    optimizer.zero_grad() # 将模型的参数初始化为0
    y = f(x)
    y.backward()      # 反向传播计算梯度
    optimizer.step()  # 更新所有的参数
print("y=",y.data,"->","x=",x.data)

5.3 Pytorch层次结构

Pytorch一共有5个不同的层次结构,分别为硬件层、内核层、低阶API、中阶API和高阶API(torchkeras)。

六、数据

Pytorch 通过Dataset和DataLoader进行构建数据管道。

6.1 Dataset and DataLoader

  • DataSet 一个数据集抽象类,所有自定义的Dataset都需要继承它,并且重写__getitem__()或者__get_sample__()这个类方法
  • DataLoader 一个可迭代的数据装载器。在训练的时候,每个for循环迭代,就从DataLoader中获取一个batch_size大小的数据。

6.2 数据读取与预处理

DataLoader的参数

DataLoader(
    dataset,                  # 数据集,数据从哪里来,以及如何读取    【需要关注】
    batch_size=1,             # 批次大小,默认1                     【需要关注】
    shuffle=False,            # 每个epoch是否乱序                   【需要关注】
    sampler=None,             # 样本采样函数,一般无需设置
    batch_sampler=None,       # 批次采样函数,一般无需设置
    num_workers=0,            # 使用多进程读取数据,设置的进程数      【需要关注】
    collate_fn=None,          # 整理一个批次数据的函数
    pin_memory=False,         # 是否设置为锁业内存。默认为False,锁业内存不会使用虚拟内存,
                              # 从锁业内存拷贝到GPU上速度会更快
    drop_last = False,        # 是否丢弃最后一个样本数量不足的batch_size批次数据 【需要关注】
    timeout=0,                # 加载一个批次数据的最长等待时间,一般无需设置
    worker_init_fn=None,      # 每个worker中的dataset的初始化函数,常用于IterableDataset,
                              # 一般不使用
    multiprocessing_context=None,
);

Epoch、Iteration、Batchsize的关系

数据读取的主要流程

  1. 从DataLoader开始
  2. 进入DataLoaderIter,判断单线程还是多线程
  3. 进入Sampler进行采样,获得一批一批的索引,这些索引表示需要读取的数据
  4. 进入DatasetFetcher, 依据索引读取数据
  5. Dataset获知数据的地址
  6. 自定义的Dataset中会重写__getitem__()方法,针对不同的数据来进行定制化的数据读取
  7. 获取到数据的Text和Label
  8. 进入collate_fn将之前获取的个体数据进行组合成为batch
  9. 一个一个batch组成Batch Data
import torch
from torch.utils.data import DataLoader
from torch.utils.data.dataset import TensorDataset
# 自构建数据集
data = torch.arange(1,40)
dataset = TensorDataset(data)
dl = DataLoader(dataset,
                batch_size = 10,
                shuffle= True,
                num_workers = 0,    # 使用多进程加速报错,这里设置为0
                drop_last = True)
# 数据输出
for batch in dl:
    print(batch)

自定义数据集只有39条,最后一个batch的数据量小于10,被舍弃了

数据预处理主要是重写Dataset和DataLoader中的方法,实现定制化处理。

6.3 Pytorch数据处理工具

基于Pytorch已经产生了很多封装完备的工具。( 但是数据处理不是很灵活 )

七、torch.nn

torch.nn是神经网络工具箱,该工具箱建立于Autograd( 主要有自动求导和梯度反向传播功能 ),提供了网络搭建的模组、优化器等一系列功能。

搭建神经网络模型的整个流程

  1. 数据读取
  2. 定义模型
  3. 定义损失函数和优化器
  4. 模型训练
  5. 获取训练结果

一个FNN网络的例子(FNN每一层是全连接层)

https://blog.csdn.net/cxy2002cxy/article/details/124771834

import numpy as np
import torch
import matplotlib.pyplot as plt
from torch.utils.data import Dataset,DataLoader
# prepare the dataset
class DiabetesDataset(Dataset):
    # load dataset
    def __init__(self,filepath):
        xy = np.loadtxt(filepath,delimiter="\t",dtype=np.float32,encoding="utf-8")
        # shape[0]: rows
        # shape[1]: cols
        self.len = xy.shape[0]
        # 归一化
        for i in range(xy.shape[1]):
            xy_max = np.max(xy[:,i])
            xy_min = np.min(xy[:,i])
            xy[:,i] = (xy[:,i]-xy_min) / (xy_max - xy_min)
        
        self.y_max = np.max(xy[:,-1])
        self.y_min = np.max(xy[:,-1])
        
        self.x_data = torch.from_numpy(xy[:,:-1])
        self.y_data = torch.from_numpy(xy[:,-1])
    # get data by index
    def __getitem__(self,index):
        return self.x_data[index],self.y_data[index]
    
    # get total of data
    def __len__(self):
        return self.len
        
dataset = DiabetesDataset("./data/diabetes.txt")
# param
epochs = 300
batchsize = 32
iters  = dataset.len / batchsize 
train_loader = DataLoader(dataset = dataset,
                          batch_size = batchsize,
                          shuffle=True,
                          drop_last= True,
                          num_workers = 0) # num_worker为多线程
                          
# define the model
class FNNModel(torch.nn.Module):
    def __init__(self):
        super(FNNModel,self).__init__()
        # 输入特征有10个,也就是10个维度,将其降为6个维度
        self.linear1 = torch.nn.Linear(10,6)
        # 6维 -> 4 维
        self.linear2 = torch.nn.Linear(6,4)
        # 4维 -> 2 维
        self.linear3 = torch.nn.Linear(4,2)
        # 2维 -> 1 维
        self.linear4 = torch.nn.Linear(2,1)
        # sigmoid层,作为输出层
        self.sigmoid = torch.nn.Sigmoid()
        
    # forward
    def forward(self,x):
        x = self.sigmoid(self.linear1(x))
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        x = self.sigmoid(self.linear4(x))
        return x
        
model = FNNModel()
# define the criterion(标准) and optimizer
criterion = torch.nn.BCELoss(reduction="mean")  # 返回损失的平均值
optimizer = torch.optim.SGD(model.parameters(),lr = 0.01)
epoch_list = []
loss_list = []
# training
if __name__ == "__main__":
    for epoch in range(epochs):
        # data 获取的数据为 (x,y)
        loss_one_epoch = 0
        for i ,data in enumerate(train_loader,0):
            inputs,labels = data
            y_pred = model(inputs)
            loss = criterion(y_pred,labels.unsqueeze(dim=1))
            loss_one_epoch += loss.item()  # 累加
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
        loss_list.append(loss_one_epoch/iters) # 求个平均值
        epoch_list.append(epoch)
        print("Epoch[{}/{}], loss:{:.6f}".format(epoch+1,epochs,loss_one_epoch/iters))
        
    # drawing
    plt.plot(epoch_list,loss_list)
    plt.xlabel("epoch")
    plt.show()

八、模型保存

在保存和加载模型方面主要有三个核心 的方法:

  • torch.save
    将对象序列化保存到磁盘中,底层通过python中的pickle来序列化,各种Models,tensors,dictionaries都可以使用该方法保存。保存的模型文件名可以是.pth,.pt,.pkl
  • torch.load
    采用pickle将反序列化的对象从存储中加载进内存。
  • torch.nn.Module.load_state_dic
    采用一个反序列的state_dict()方法将模型的参数加载到模型结构上
load_state_dict(state_dict,strict=True)
  # state_dict, 保存parameters和persistent buffers的字典
  # stric 可选,bool, state_dict中的key是否和model.state_dict()返回的key一致

序列化和反序列化:

  • 序列化( Serialization ) 是将对象的状态信息转换为可以存储在或者传输的形成的过程。
  • 在序列化器件,对象将其当前状态写入到临时或者持久性存储区,以后可以从存储区中读取或者反序列化对象的状态,重建该对象。

8.1 状态字典state_dict

state_dict()在神经网络中可以认为是模型上训练出来的模型参数,权重和偏置值。

Pytorch中,定义的网络模型是通过继承torch.nn.Module来实现的,网络模型中包含可以学习的参数( weights、bias和一些登记的缓存 )。模型内部的可学习参数可以通过两种方式进行调用。

  • model.parameters() 访问所有参数
  • model.state_dict() 来为每一层和它的参数建立一个映射关系并存储在字典中,键值由每个网络层和其对应的参数张量构成。

除了模型,优化器对象( torch.optim ) 也有一个状态字典,包含优化器状态信息以及使用的超参数。

使用ResNet18,并使用与训练权重。

import torch.optim as optim
from torchvision.models import resnet18,ResNet18_Weights
# 定义模型,并使用预训练权重
model = resnet18(weights=ResNet18_Weights.DEFAULT)
# 定义优化器,随机梯度优化器
optimizer = optim.SGD(model.parameters(),lr=0.001,momentum=0.9)
# 模型的 state_dict
print(type(model.state_dict()))
for key,value in model.state_dict().items():
    print(key,"\t",value,size())
# 模型的model.parameters()
print(model.parameters())
# 1. 使用for循环
for para in model.parameters():
    print(para.size())
# 2. 使用list() 转换为list
# 优化器的state_dict
for key,value in optimizer.state_dict().items():
    print(key,value)
  1. 通过.state_dict()打印模型每个网络层的名字和参数
  2. 通过.parameters()打印模型的每个网络层的参数
  3. 通过.state_dict()打印优化器每个网络层名字和参数

8.2 加载/保存状态字典(state_dict)

保存一个模型的时候,只需要保存训练模型的可学习参数即可,通过torch.save()来保存模型的状态字典。

加载模型时,通过torch.load()来加载模型的状态字典,且通过.load_state_dict()将状态字典加载到模型上。

import torch
from torchvision.models import resnet18,ResNet18_Weights
# 定义模型,并使用预训练权重
model = resnet18(weights=ResNet18_Weights.DEFAULT)
# 保存模型的state_dict
# 可以是pth,pt,pkl后缀的文件名
path = "./model.pth"
torch.save(model.state_dict(),path)
# =========加载模型 ===========
# 1. 定义模型
model = resnet18()
# 2. 加载状态字典进内存
state_dict = torch.load(path)
# 3. 将状态字典中的可学习参数加载到模型上使用
model.load_state_dict(state_dict)

8.3 加载/保存整个模型

保存整个模型对象(包括模型结构和状态字典等)

这种保存模型的做法是采用python的pickle模块来保存整个模型,方法的缺点是pickle不保存模型类别,而是保存一个包含该类的文件的路径。

在加载的时候,需要先定义一下这个模型类,否则可能会报错。

保存模型

import torch
from torchvision.models import resnet18,ResNet18_Weights
# 定义模型,并使用预训练权重
model = resnet18(weights=ResNet18_Weights.DEFAULT)
# 保存模型的全部
path = './model.pth'
torch.save(model,path)

加载模型

import torch
# 需要注意:定义一下这个类,否则会报错
from torchvision.models import resnet18
# 加载模型
path = "./model.pth"
model = torch.load(path)

参考

相关实践学习
部署Stable Diffusion玩转AI绘画(GPU云服务器)
本实验通过在ECS上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。
相关文章
|
6月前
|
TensorFlow 算法框架/工具
第2章 TensorFlow 基础
第2章 TensorFlow 基础
48 0
|
6月前
|
机器学习/深度学习 存储 TensorFlow
TensorFlow 基础实战
TensorFlow 基础实战
|
3月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
TensorFlow2基础
【8月更文挑战第10天】TensorFlow2基础。
52 12
|
4月前
|
机器学习/深度学习 PyTorch TensorFlow
PAI DLC与其他深度学习框架如TensorFlow或PyTorch的异同
PAI DLC与其他深度学习框架如TensorFlow或PyTorch的异同
|
4月前
|
机器学习/深度学习 TensorFlow API
TensorFlow基础介绍
【7月更文挑战第3天】TensorFlow基础介绍。
30 1
|
机器学习/深度学习 PyTorch TensorFlow
TensorFlow VS PyTorch哪个更强?
TensorFlow 和 PyTorch 都是流行的深度学习框架,它们有一些共同点,例如都支持多种编程语言和硬件平台,也都提供了丰富的工具和库来支持深度学习模型的构建、训练和部署。以下是它们的一些区别和优缺点: 区别: 1. 编程风格:TensorFlow 使用的是静态图模型,需要先定义整个计算图,然后再进行计算。PyTorch 使用的是动态图模型,可以像普通 Python 代码一样进行定义、调试和修改。 2. 计算效率:由于 TensorFlow 的计算图是静态的,可以对其进行优化和分布式计算,因此在大规模数据和模型上进行训练时,TensorFlow 的效率更高。而 PyTorch 在小规模
531 0
|
6月前
|
TensorFlow 算法框架/工具
TensorFlow基础
TensorFlow基础
43 0
|
6月前
|
机器学习/深度学习 PyTorch TensorFlow
【TensorFlow】深度学习框架概述&TensorFlow环境配置
【1月更文挑战第26天】【TensorFlow】深度学习框架概述&TensorFlow环境配置
|
数据采集 PyTorch 算法框架/工具
PyTorch应用实战四:基于PyTorch构建复杂应用
PyTorch应用实战四:基于PyTorch构建复杂应用
90 0
|
机器学习/深度学习 人工智能 并行计算
【PyTorch】Pytorch基础第0章
【PyTorch】Pytorch基础第0章
78 0