十二、pytorch的基础知识

1、快捷命令

  

2、Tensor

  Tensor是PyTorch中重要的数据结构，可认为是一个高维数组。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）以及更高维的数组。Tensor和Numpy的ndarrays类似，但Tensor可以使用GPU进行加速。

  Tensor的基本使用：

from __future__ import print_function
import torch as t

（1）创建Tensor
   构建 5x3 矩阵，只是分配了空间，未初始化

x = t.Tensor(5, 3)
x = t.Tensor([[1,2],[3,4]])
##tensor([[1., 2.],
##        [3., 4.]])

 （2）使用[0,1]均匀分布随机初始化二维数组  

x = t.rand(5, 3)  
x
    ##tensor([[0.1595, 0.0289, 0.6098],
    ##        [0.3763, 0.2346, 0.9171],
    ##        [0.9731, 0.4014, 0.6734],
    ##        [0.2359, 0.8480, 0.5956],
    ##        [0.1340, 0.5178, 0.5605]])

 （3）torch.Size 是tuple对象（元组）的子类，因此它支持tuple的所有操作，如x.size()[0]

print(x.size()) # 查看x的形状
x.size()[1], x.size(1) # 查看列的个数, 两种写法等价
    ## torch.Size([5, 3])  （3，3）

 （4）Tensor的运算 

y = t.rand(5, 3)
# 加法的第一种写法
x + y
# 加法的第二种写法
t.add(x, y)
# 加法的第三种写法：指定加法结果的输出目标为result
result = t.Tensor(5, 3) # 预先分配空间
t.add(x, y, out=result) # 输入到result
result

• • 注意，函数名后面带下划线**_** 的函数会修改Tensor本身。例如，x.add_(y)和x.t_()会改变 x，但x.add(y)和x.t()返回一个新的Tensor， 而x不变。 

 （5）Tensor的选取操作与Numpy类似，Tensor和Numpy的数组之间的互操作非常容易且快速。对于Tensor不支持的操作，可以先转为Numpy数组处理，之后再转回Tensor。

import numpy as np
a = np.ones(5)
b = t.from_numpy(a) # Numpy->Tensor
b.add_(1) # 以`_`结尾的函数会修改自身
print(a)
print(b) # Tensor和Numpy共享内存# [2. 2. 2. 2. 2.]
# tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

• • Tensor和numpy对象共享内存，所以他们之间的转换很快，而且几乎不会消耗什么资源。但这也意味着，如果其中一个变了，另外一个也会随之改变。

（6）如果你想获取某一个元素的值，可以使用`scalar.item`。 直接`tensor[idx]`得到的还是一个tensor: 一个0-dim（零维，表示单个数值） 的tensor，一般称为scalar.

import torch# 创建一个 1D Tensor
tensor = torch.tensor([10, 20, 30, 40, 50])# 使用索引获取元素
index = 2
scalar_tensor = tensor[index]  # 这里返回的是一个 0 维的 Tensorprint("获取的标量 Tensor:", scalar_tensor)  # 输出: tensor(30)# 使用 item() 方法获取 Python 原生数值
value = scalar_tensor.item()
print("获取的具体值:", value)  # 输出: 30

（7）需要注意的是，t.tensor()或者tensor.clone()总是会进行数据拷贝，新tensor和原来的数据不再共享内存。所以如果你想共享内存的话，建议使用torch.from_numpy()或者tensor.detach()来新建一个tensor, 二者共享内存。

tensor = t.tensor([3,4]) # 新建一个包含 3，4 两个元素的tensor
scalar = t.tensor(3)old_tensor = tensor
new_tensor = old_tensor.clone()
new_tensor[0] = 1111
old_tensor, new_tensor
# (tensor([3, 4]), tensor([1111,    4]))new_tensor = old_tensor.detach()
new_tensor[0] = 1111
old_tensor, new_tensor
# (tensor([1111,    4]), tensor([1111,    4]))

 （8）Tensor可通过.cuda 方法转为GPU的Tensor，从而享受GPU带来的加速运算。

# 在不支持CUDA的机器下，下一步还是在CPU上运行
device = t.device("cuda:0" if t.cuda.is_available() else "cpu")
x = x.to(device)
y = y.to(x.device) # 确保x和y在同一设备上
z = x+y

3、autograd：自动微分

  深度学习的算法本质上是通过反向传播求导数，而PyTorch的**autograd**模块则实现了此功能。在Tensor上的所有操作，autograd都能为它们自动提供微分，避免了手动计算导数的复杂过程。要想使得Tensor使用autograd功能，只需要设置tensor.requries_grad=True.

# 为tensor设置 requires_grad 标识，代表着需要求导数
# pytorch 会自动调用autograd 记录操作
x = t.ones(2, 2, requires_grad=True)# 上一步等价于
# x = t.ones(2,2)
# x.requires_grad = Truey = x.sum() # tensor(4., grad_fn=<SumBackward0>)
y.grad_fn  # <SumBackward0 at 0x7f63e55b7810> 查看 y 的梯度函数，可以看出 y 是通过 SumBackward0 计算得到的。
y.backward() # 反向传播,计算梯度，由于 y 是通过 x 计算得出的，PyTorch 会自动计算出 x 的梯度。
# y = x.sum() = (x[0][0] + x[0][1] + x[1][0] + x[1][1])
# 因为 y 是通过对 x 的所有元素求和得到的，因此每个 x 元素对 y 的贡献都是 1，梯度值为 1。
x.grad 
# tensor([[1., 1.],
#        [1., 1.]])y.backward()
x.grad
# tensor([[2., 2.],
#         [2., 2.]])
## 注意：grad在反向传播过程中是累加的(accumulated)，这意味着每一次运行反向传播，梯度都会累加之前的梯度，所以反向传播之前需把梯度清零。# 以下划线结束的函数是inplace操作，会修改自身的值，就像add_
x.grad.data.zero_()
# tensor([[0., 0.],
#         [0., 0.]])
y.backward()
x.grad
# tensor([[1., 1.],
#         [1., 1.]])

4、神经网络

  Autograd实现了反向传播功能，但是直接用来写深度学习的代码在很多情况下还是稍显复杂，torch.nn是专门为神经网络设计的模块化接口。nn构建于 Autograd之上，可用来定义和运行神经网络。nn.Module是nn中最重要的类，可把它看成是一个网络的封装，包含网络各层定义以及forward方法，调用forward(input)方法，可返回前向传播的结果。

  下面以LeNet为例，来看看如何用nn.Module实现。LeNet 这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全链接层。是其他深度学习模型的基础，

  （1）定义网络

  定义网络时，需要继承nn.Module，并实现它的forward方法，把网络中具有可学习参数的层放在构造函数__init__中。如果某一层(如ReLU)不具有可学习的参数，则既可以放在构造函数中，也可以不放，但建议不放在其中，而在forward中使用nn.functional代替。

import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):# nn.Module子类的函数必须在构造函数中执行父类的构造函数# 下式等价于nn.Module.__init__(self)super(Net, self).__init__()# 卷积层 '1'表示输入图片为单通道, '6'表示输出通道数，'5'表示卷积核为5*5self.conv1 = nn.Conv2d(1, 6, 5) # 卷积层self.conv2 = nn.Conv2d(6, 16, 5) # 仿射层/全连接层，y = Wx + bself.fc1   = nn.Linear(16*5*5, 120) self.fc2   = nn.Linear(120, 84)self.fc3   = nn.Linear(84, 10)def forward(self, x): # 池化（激活（卷积））x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))x = F.max_pool2d(F.relu(self.conv2(x)), 2) # reshape，‘-1’表示自适应x = x.view(x.size()[0], -1)  # 将多维张量展平为一维x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)        return xnet = Net()
print(net)# Net(
#   (conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
#   (conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
#   (fc1): Linear(in_features=400, out_features=120, bias=True)
#   (fc2): Linear(in_features=120, out_features=84, bias=True)
#   (fc3): Linear(in_features=84, out_features=10, bias=True)
# )

  只要在nn.Module的子类中定义了forward函数，backward函数就会自动被实现(利用autograd)。在forward 函数中可使用任何tensor支持的函数，还可以使用if、for循环、print、log等Python语法，写法和标准的Python写法一致。

  网络的可学习参数通过net.parameters()返回，net.named_parameters可同时返回可学习的参数及名称。

for name,parameters in net.named_parameters():print(name,':',parameters.size())# conv1.weight : torch.Size([6, 1, 5, 5])
# conv1.bias : torch.Size([6])
# conv2.weight : torch.Size([16, 6, 5, 5])
# conv2.bias : torch.Size([16])
# fc1.weight : torch.Size([120, 400])
# fc1.bias : torch.Size([120])
# fc2.weight : torch.Size([84, 120])
# fc2.bias : torch.Size([84])
# fc3.weight : torch.Size([10, 84])
# fc3.bias : torch.Size([10])
# forward函数的输入和输出都是Tensor。

# 生成一个随机张量（input），其尺寸为 (样本数，通道数，高度，宽度)
input = t.randn(1, 1, 32, 32) 
# 将输入数据 input 传入网络 net，执行网络的前向传播，得到输出 out。
out = net(input)
# 查看输出尺寸
out.size() # torch.Size([1, 10])net.zero_grad() # 所有参数的梯度清零
out.backward(t.ones(1,10)) # 反向传播

  需要注意的是，torch.nn只支持mini-batches，不支持一次只输入一个样本，即一次必须是一个batch。但如果只想输入一个样本，则用 input.unsqueeze(0)将batch_size设为１。例如 nn.Conv2d 输入必须是4维的，形如nSamples x nChannels x Height x Width.可将nSample设为1，即1 x nChannels x Height x Width.

（2）损失函数

  nn实现了神经网络中大多数的损失函数，例如nn.MSELoss用来计算均方误差，nn.CrossEntropyLoss用来计算交叉熵损失

output = net(input)
# t.arange(0,10)创建一个从 0 到 9 的一维张量，.view(1, 10) 将一维张量的形状变为 (1, 10)的二维张量，表示一个样本的十个目标值。
target = t.arange(0,10).view(1,10).float() 
criterion = nn.MSELoss()
loss = criterion(output, target)
loss # loss是个标量scalar# tensor(28.6152, grad_fn=<MseLossBackward>)

   如果对loss进行反向传播溯源(使用gradfn属性)，可看到它的计算图如下：

  

  当调用loss.backward()时，该图会动态生成并自动微分，也即会自动计算图中参数(Parameter)的导数。

# 运行.backward，观察调用之前和调用之后的grad
net.zero_grad() # 把net中所有可学习参数的梯度清零
print('反向传播之前 conv1.bias的梯度')
print(net.conv1.bias.grad)
loss.backward() # PyTorch 会根据损失函数和模型的输出，利用链式法则自动计算每个参数的梯度。
print('反向传播之后 conv1.bias的梯度')
print(net.conv1.bias.grad)# 反向传播之前 conv1.bias的梯度
# tensor([0., 0., 0., 0., 0., 0.])
# 反向传播之后 conv1.bias的梯度
# tensor([ 0.1366,  0.0885, -0.0036,  0.1410,  0.0144,  0.0562])

（3）优化器

  在反向传播计算完所有参数的梯度后，还需要使用优化方法来更新网络的权重和参数，例如随机梯度下降法(SGD)的更新策略如下：

  

  torch.optim中实现了深度学习中绝大多数的优化方法，例如RMSProp、Adam、SGD等，更便于使用，因此大多数时候并不需要手动写上述代码。

import torch.optim as optim
#新建一个优化器，指定要调整的参数和学习率
optimizer = optim.SGD(net.parameters(), lr = 0.01)# 在训练过程中
# 先梯度清零(与net.zero_grad()效果一样)
optimizer.zero_grad() # 计算损失
output = net(input)
loss = criterion(output, target)#反向传播
loss.backward()#更新参数
optimizer.step()

（4）数据加载与预处理

  在深度学习中数据加载及预处理是非常复杂繁琐的，但PyTorch提供了一些可极大简化和加快数据处理流程的工具。同时，对于常用的数据集，PyTorch也提供了封装好的接口供用户快速调用，这些数据集主要保存在torchvison中。

  torchvision实现了常用的图像数据加载功能，例如Imagenet、CIFAR10、MNIST等，以及常用的数据转换操作，这极大地方便了数据加载，并且代码具有可重用性。

5、CIFAR-10分类 

  下面我们来尝试实现对CIFAR-10数据集的分类，步骤如下: 

1. 使用torchvision加载并预处理CIFAR-10数据集
2. 定义网络
3. 定义损失函数和优化器
4. 训练网络并更新网络参数
5. 测试网络

（1）CIFAR-10数据加载及预处理

  CIFAR-10^3是一个常用的彩色图片数据集，它有10个类别: 'airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'。每张图片都是3×32×32，也即3-通道彩色图片，分辨率为32×32。

import torchvision as tv
import torchvision.transforms as transforms
from torchvision.transforms import ToPILImage
show = ToPILImage() # 可以把Tensor转成Image，方便可视化# 第一次运行程序torchvision会自动下载CIFAR-10数据集，
# 如果已经下载有CIFAR-10，可通过root参数指定# 定义对数据的预处理
transform = transforms.Compose([transforms.ToTensor(), # 转为Tensortransforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)), # 归一化])# 训练集
trainset = tv.datasets.CIFAR10(root='/home/cy/tmp/data/', train=True, download=True,transform=transform)trainloader = t.utils.data.DataLoader(trainset, batch_size=4,shuffle=True, num_workers=2)# 测试集
testset = tv.datasets.CIFAR10('/home/cy/tmp/data/',train=False, download=True, transform=transform)testloader = t.utils.data.DataLoader(testset,batch_size=4, shuffle=False,num_workers=2)classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')

  其中Dataset对象是一个数据集，可以按下标访问，返回形如(data, label)的数据。

(data, label) = trainset[100]
print(classes[label])# (data + 1) / 2是为了还原被归一化的数据
show((data + 1) / 2).resize((100, 100))

  Dataloader是一个可迭代的对象，它将dataset返回的每一条数据拼接成一个batch，并提供多线程加速优化和数据打乱等操作。当程序对dataset的所有数据遍历完一遍之后，相应的对Dataloader也完成了一次迭代。

dataiter = iter(trainloader) # 创建了一个迭代器 dataiter，可以用来逐步获取数据。
images, labels = dataiter.next() # 返回4张图片及标签
print(' '.join('%11s'%classes[labels[j]] for j in range(4)))
show(tv.utils.make_grid((images+1)/2)).resize((400,100))

 （2）定义网络

  拷贝上面的LeNet网络，修改self.conv1第一个参数为3通道，因CIFAR-10是3通道彩图。

import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(3, 6, 5) self.conv2 = nn.Conv2d(6, 16, 5)  self.fc1   = nn.Linear(16*5*5, 120)  self.fc2   = nn.Linear(120, 84)self.fc3   = nn.Linear(84, 10)def forward(self, x): x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) x = F.max_pool2d(F.relu(self.conv2(x)), 2) x = x.view(x.size()[0], -1) x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)        return x

（3）定义损失函数和优化器

from torch import optim
criterion = nn.CrossEntropyLoss() # 交叉熵损失函数
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

（4）训练网络

  所有网络的训练流程都是类似的，不断地执行如下流程：

• • 输入数据
  • 前向传播和反向传播
  • 更新参数

t.set_num_threads(8) # 设置了线程数量为8，这对于多线程处理数据和计算是有益的
for epoch in range(2):  running_loss = 0.0for i, data in enumerate(trainloader, 0): # 使用enumerate函数遍历trainloader中的每个mini-batch。# 输入数据inputs, labels = data# 梯度清零optimizer.zero_grad()# forward + backward outputs = net(inputs)loss = criterion(outputs, labels)loss.backward()   # 更新参数 optimizer.step()# 打印log信息# loss 是一个scalar,需要使用loss.item()来获取数值，不能使用loss[0]running_loss += loss.item()if i % 2000 == 1999: # 每2000个batch打印一下训练状态print('[%d, %5d] loss: %.3f' \% (epoch+1, i+1, running_loss / 2000))running_loss = 0.0
print('Finished Training')

correct = 0 # 预测正确的图片数
total = 0 # 总共的图片数# 由于测试的时候不需要求导，可以暂时关闭autograd，提高速度，节约内存
with t.no_grad():for data in testloader:images, labels = dataoutputs = net(images)# 将神经网络输出的每个样本中最大值的索引存储在 predicted 变量中_, predicted = t.max(outputs, 1) # _ 是一个占位符，通常用于接收不需要的返回值（在这里是最大值本身）。total += labels.size(0)correct += (predicted == labels).sum()print('10000张测试集中的准确率为: %d %%' % (100 * correct / total))

 （5）在GPU训练

  就像之前把Tensor从CPU转到GPU一样，模型也可以类似地从CPU转到GPU。

device = t.device("cuda:0" if t.cuda.is_available() else "cpu")net.to(device)
images = images.to(device)
labels = labels.to(device)
output = net(images)
loss= criterion(output,labels)loss