# -*- coding: utf-8 -*- # --- # jupyter: # jupytext_format_version: '1.2' # kernelspec: # display_name: Python 3 # language: python # name: python3 # language_info: # codemirror_mode: # name: ipython # version: 3 # file_extension: .py # mimetype: text/x-python # name: python # nbconvert_exporter: python # pygments_lexer: ipython3 # version: 3.5.2 # --- # # PyTorch快速入门 # # PyTorch的简洁设计使得它入门很简单，在深入介绍PyTorch之前，本节将先介绍一些PyTorch的基础知识，使得读者能够对PyTorch有一个大致的了解，并能够用PyTorch搭建一个简单的神经网络。部分内容读者可能暂时不太理解，可先不予以深究，后续的课程将会对此进行深入讲解。 # # 本节内容参考了PyTorch官方教程[^1]并做了相应的增删修改，使得内容更贴合新版本的PyTorch接口，同时也更适合新手快速入门。另外本书需要读者先掌握基础的Numpy使用，其他相关知识推荐读者参考CS231n的教程[^2]。 # # [^1]: http://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html # [^2]: http://cs231n.github.io/python-numpy-tutorial/ # ### 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的使用和Numpy及Matlab的接口十分相似，下面通过几个例子来看看Tensor的基本使用。 from __future__ import print_function import torch as t # 构建 5x3 矩阵，只是分配了空间，未初始化 x = t.Tensor(5, 3) x # 使用[0,1]均匀分布随机初始化二维数组 x = t.rand(5, 3) x 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` 是tuple对象的子类，因此它支持tuple的所有操作，如x.size()[0] 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 # + print('最初y') print(y) print('第一种加法，y的结果') y.add(x) # 普通加法，不改变y的内容 print(y) print('第二种加法，y的结果') y.add_(x) # inplace 加法，y变了 print(y) # - # 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。 # Tensor的选取操作与Numpy类似 x[:, 1] # Tensor还支持很多操作，包括数学运算、线性代数、选择、切片等等，其接口设计与Numpy极为相似。更详细的使用方法，会在第三章系统讲解。 # # 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。 a = t.ones(5) # 新建一个全1的Tensor a b = a.numpy() # Tensor -> Numpy b import numpy as np a = np.ones(5) b = t.from_numpy(a) # Numpy->Tensor print(a) print(b) # 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。 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 # 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，下一步不会运行 if t.cuda.is_available(): x = x.cuda() y = y.cuda() x + y # 此处可能发现GPU运算的速度并未提升太多，这是因为x和y太小且运算也较为简单，而且将数据从内存转移到显存还需要花费额外的开销。GPU的优势需在大规模数据和复杂运算下才能体现出来。 # # ### 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。 # # `autograd.Variable`是Autograd中的核心类，它简单封装了Tensor，并支持几乎所有Tensor有的操作。Tensor在被封装为Variable之后，可以调用它的`.backward`实现反向传播，自动计算所有梯度。Variable的数据结构如图2-6所示。 # # # ![图2-6:Variable的数据结构](imgs/autograd_Variable.svg) # # # Variable主要包含三个属性。 # - `data`：保存Variable所包含的Tensor # - `grad`：保存`data`对应的梯度，`grad`也是个Variable，而不是Tensor，它和`data`的形状一样。 # - `grad_fn`：指向一个`Function`对象，这个`Function`用来反向传播计算输入的梯度，具体细节会在下一章讲解。 from torch.autograd import Variable # + {"scrolled": true} # 使用Tensor新建一个Variable x = Variable(t.ones(2, 2), requires_grad = True) x # + {"scrolled": true} y = x.sum() y # - y.grad_fn y.backward() # 反向传播,计算梯度 # y = x.sum() = (x[0][0] + x[0][1] + x[1][0] + x[1][1]) # 每个值的梯度都为1 x.grad # 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。** y.backward() x.grad # + {"scrolled": true} y.backward() x.grad # - # 以下划线结束的函数是inplace操作，就像add_ x.grad.data.zero_() y.backward() x.grad # Variable和Tensor具有近乎一致的接口，在实际使用中可以无缝切换。 x = Variable(t.ones(4,5)) y = t.cos(x) x_tensor_cos = t.cos(x.data) print(y) x_tensor_cos # ### 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。下面就以最早的卷积神经网络：LeNet为例，来看看如何用`nn.Module`实现。LeNet的网络结构如图2-7所示。 # # ![图2-7:LeNet网络结构](imgs/nn_lenet.png) # # 这是一个基础的前向传播(feed-forward)网络: 接收输入，经过层层传递运算，得到输出。 # # #### 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 F class 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*5 self.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 + b self.fc1 = nn.Linear(16*5*5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): # 卷积 -> 激活 -> 池化 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) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() print(net) # - # 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Variable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。 params = list(net.parameters()) print(len(params)) for name,parameters in net.named_parameters(): print(name,':',parameters.size()) # forward函数的输入和输出都是Variable，只有Variable才具有自动求导功能，而Tensor是没有的，所以在输入时，需把Tensor封装成Variable。 # + {"scrolled": true} input = Variable(t.randn(1, 1, 32, 32)) out = net(input) out.size() # - net.zero_grad() # 所有参数的梯度清零 out.backward(Variable(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$nSamples \times nChannels \times Height \times Width$。可将nSample设为1，即$1 \times nChannels \times Height \times Width$。 # #### 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。 # + {"scrolled": true} output = net(input) target = Variable(t.arange(0,10)) criterion = nn.MSELoss() loss = criterion(output, target) loss # - # 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： # # ``` # input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d # -> view -> linear -> relu -> linear -> relu -> linear # -> MSELoss # -> loss # ``` # # 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() print('反向传播之后 conv1.bias的梯度') print(net.conv1.bias.grad) # #### 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： # ``` # weight = weight - learning_rate * gradient # ``` # # 手动实现如下： # # ```python # learning_rate = 0.01 # for f in net.parameters(): # f.data.sub_(f.grad.data * learning_rate)# inplace 减法 # ``` # # `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() # - # # # #### 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。 # # # ### 小试牛刀：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 # # #### 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$3\times32\times32$，也即3-通道彩色图片，分辨率为$32\times32$。 # # [^3]: http://www.cs.toronto.edu/~kriz/cifar.html import torch as t 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， # 大约100M，需花费一定的时间， # 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Tensor transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)), # 归一化 ]) # 训练集 trainset = tv.datasets.CIFAR10( root='../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( '../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') # - # 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) 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)) # #### 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 F class 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 net = Net() print(net) # - # #### 定义损失函数和优化器(loss和optimizer) 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) # ### 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+反向传播 # - 更新参数 # # + from torch.autograd import Variable t.set_num_threads(8) for epoch in range(2): running_loss = 0.0 for i, data in enumerate(trainloader, 0): # 输入数据 inputs, labels = data inputs, labels = Variable(inputs), Variable(labels) # 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 running_loss += loss.data[0] 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') # - # 此处仅训练了2个epoch（遍历完一遍数据集称为一个epoch），来看看网络有没有效果。将测试图片输入到网络中，计算它的label，然后与实际的label进行比较。 dataiter = iter(testloader) images, labels = dataiter.next() # 一个batch返回4张图片 print('实际的label: ', ' '.join(\ '%08s'%classes[labels[j]] for j in range(4))) show(tv.utils.make_grid(images / 2 - 0.5)).resize((400,100)) # 接着计算网络预测的label： # + # 计算图片在每个类别上的分数 outputs = net(Variable(images)) # 得分最高的那个类 _, predicted = t.max(outputs.data, 1) print('预测结果: ', ' '.join('%5s'\ % classes[predicted[j]] for j in range(4))) # - # 已经可以看出效果，准确率50%，但这只是一部分的图片，再来看看在整个测试集上的效果。 # + correct = 0 # 预测正确的图片数 total = 0 # 总共的图片数 for data in testloader: images, labels = data outputs = net(Variable(images)) _, predicted = t.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum() print('10000张测试集中的准确率为: %d %%' % (100 * correct / total)) # - # 训练的准确率远比随机猜测(准确率10%)好，证明网络确实学到了东西。 # #### 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。 if t.cuda.is_available(): net.cuda() images = images.cuda() labels = labels.cuda() output = net(Variable(images)) loss= criterion(output,Variable(labels)) # 如果发现在GPU上并没有比CPU提速很多，实际上是因为网络比较小，GPU没有完全发挥自己的真正实力。 # 对PyTorch的基础介绍至此结束。总结一下，本节主要包含以下内容。 # # 1. Tensor: 类似Numpy数组的数据结构，与Numpy接口类似，可方便地互相转换。 # 2. autograd/Variable: Variable封装了Tensor，并提供自动求导功能。 # 3. nn: 专门为神经网络设计的接口，提供了很多有用的功能(神经网络层，损失函数，优化器等)。 # 4. 神经网络训练: 以CIFAR-10分类为例演示了神经网络的训练流程，包括数据加载、网络搭建、训练及测试。 # # 通过本节的学习，相信读者可以体会出PyTorch具有接口简单、使用灵活等特点。从下一章开始，本书将深入系统地讲解PyTorch的各部分知识。