快捷導(dǎo)航

Python Pytorch深度學(xué)習(xí)之核心小結(jié)

更新時(shí)間：2021年10月28日 10:42:53 作者：柚子味的羊

今天小編就為大家分享一篇關(guān)于Pytorch核心小結(jié)的文章，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧

一、Numpy實(shí)現(xiàn)網(wǎng)絡(luò)

在總結(jié)Tensor之前，先使用numpy實(shí)現(xiàn)網(wǎng)絡(luò)。numpy提供了一個(gè)n維數(shù)組對(duì)象，以及許多用于操作這些數(shù)組的函數(shù)。

import numpy as np
# n是批量大小，d_in是輸入維度
# h是隱藏的維度，d_out是輸出維度
n,d_in,h,d_out=64,1000,100,10
# 創(chuàng)建隨機(jī)輸入和輸出數(shù)據(jù)
x=np.random.randn(n,d_in)
y=np.random.randn(n,d_out)
# 隨機(jī)初始化權(quán)重
w1=np.random.randn(d_in,h)
w2=np.random.randn(h,d_out)
learning_rate=1e-6
for i in range(500):
    #前向傳播，計(jì)算預(yù)測(cè)值y
    h=x.dot(w1)
    h_relu=np.maximum(h,0)
    y_pred=h_relu.dot(w2)
    #計(jì)算損失值
    loss=np.square(y_pred-y).sum()
    print(i,loss)
    #反向傳播，計(jì)算w1和w2對(duì)loss的梯度
    grad_y_pred=2.0*(y_pred-y)
    grad_w2=h_relu.T.dot(grad_y_pred)
    grad_h_relu=grad_y_pred.dot(w2.T)
    grad_h=grad_h_relu.copy()
    grad_h[h<0]=0
    grad_w1=x.T.dot(grad_h)
    # 更新權(quán)重
    w1-=learning_rate*grad_w1
    w2-=learning_rate*grad_w2

運(yùn)行結(jié)果

在這里插入圖片描述

可以明顯看到loss逐漸減小。

此處解釋一下上次發(fā)的一篇中，有猿友對(duì)其中的loss有疑問，其實(shí)我認(rèn)為：損失值loss只是為了檢測(cè)網(wǎng)絡(luò)的學(xué)習(xí)情況（至少我在這幾篇中的loss就只有這個(gè)功能），在前面那一篇中迭代沒有清零，所以損失值是一直增加的，如果每次迭代以后置零，效果和現(xiàn)在是一樣的。至于其中的除以2000只是為了便于顯示，可以一目了然大小的變化所以那么寫的，所以可以自己定義合理的寫法。（僅個(gè)人的理解和看法）

二、Pytorch:Tensor

Tensor 在概念上和numpy中的array相同，tensor也是一個(gè)n維數(shù)組，pytorch提供了許多函數(shù)用于操作這些張量。所有使用numpy執(zhí)行的計(jì)算都可以使用pytorch的tensor完成。與numpy不同的是pytorch可以利用GPU加速數(shù)據(jù)的計(jì)算。實(shí)現(xiàn)和numpy相同的過程

#%%tensor實(shí)現(xiàn)網(wǎng)絡(luò)
import torch
dtype=torch.float
device=torch.device('cpu')
# device=torch.device('cuda:0')#由GPU的可愛們享受吧，我不配，實(shí)驗(yàn)室沒有給我高配置的電腦
# n是批量大小，d_in是輸入維度
# h是隱藏的維度，d_out是輸出維度
n,d_in,h,d_out=64,1000,100,10
# 創(chuàng)建隨機(jī)輸入和輸出數(shù)據(jù)
x=torch.randn(n,d_in,device=device,dtype=dtype)
y=torch.randn(n,d_out,device=device,dtype=dtype)
# 隨機(jī)初始化權(quán)重
w1=torch.randn(d_in,h,device=device,dtype=dtype)
w2=torch.randn(h,d_out,device=device,dtype=dtype)
learning_rate=1e-6
for i in range(500):
    #前向傳播，計(jì)算預(yù)測(cè)值y
    h=x.mm(w1)
    h_relu=h.clamp(min=0)
    y_pred=h_relu.mm(w2)
    #計(jì)算損失值
    loss=(y_pred-y).pow(2).sum().item()
    print(i,loss)
    #反向傳播，計(jì)算w1和w2對(duì)loss的梯度
    grad_y_pred=2.0*(y_pred-y)
    grad_w2=h_relu.t().mm(grad_y_pred)
    grad_h_relu=grad_y_pred.mm(w2.T)
    grad_h=grad_h_relu.clone()
    grad_h[h<0]=0
    grad_w1=x.t().mm(grad_h)
    # 更新權(quán)重
    w1-=learning_rate*grad_w1
    w2-=learning_rate*grad_w2

運(yùn)行結(jié)果

在這里插入圖片描述

三、自動(dòng)求導(dǎo)

1、PyTorch：Tensor和auto_grad

上面兩個(gè)例子中，我們自己手動(dòng)實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的向前和向后傳遞。手動(dòng)實(shí)現(xiàn)反向傳遞對(duì)小型雙層網(wǎng)絡(luò)來說沒有問題，但是對(duì)于大型復(fù)雜的網(wǎng)絡(luò)來說就會(huì)變得很繁瑣。

但是Pytorch中的autograd包提供了自動(dòng)微分可以用來計(jì)算神經(jīng)網(wǎng)絡(luò)中的后向傳遞。當(dāng)使用autograd時(shí)候，網(wǎng)絡(luò)前后想傳播將定義一個(gè)計(jì)算圖，圖中的節(jié)點(diǎn)是tensor，邊是函數(shù)，這些函數(shù)是輸出tensor到輸入tensor的映射。這張計(jì)算圖使得在網(wǎng)絡(luò)中反向傳播時(shí)梯度的計(jì)算十分簡(jiǎn)單。

如果我們想要計(jì)算某些tensor的梯度，我們只需要在建立這個(gè)tensor時(shí)加上一句:requires_grad=True。這個(gè)tensor上的任何Pytorch的操作都將構(gòu)造一個(gè)計(jì)算圖，從而允許我們?cè)趫D中執(zhí)行反向傳播。如果這個(gè)tensor的requires_grad=True,那么反向傳播之后x.grad將會(huì)是另外一個(gè)張量，其為關(guān)于某個(gè)標(biāo)量值得梯度。

有時(shí)不需要構(gòu)建這樣的計(jì)算圖，例如：在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中，通常不希望通過權(quán)重更新步驟進(jìn)行反向傳播。在這種情況下，可以使用torch.no_grad()上下文管理器來防止構(gòu)造計(jì)算圖——————（其實(shí)這些在之前的文章中都有詳細(xì)的寫過[我在這里]，就不再贅述了）

下面例子中，使用Pytorch的Tensor和autograd來實(shí)現(xiàn)兩層的神經(jīng)網(wǎng)絡(luò)，不需要再手動(dòng)執(zhí)行網(wǎng)絡(luò)的反向傳播：

#%%使用tensor和auto_grad實(shí)現(xiàn)兩層神經(jīng)網(wǎng)絡(luò)
import torch
dtype=torch.float
device=torch.device('cpu')
# device=torch.device('cuda:0')#由GPU的可愛們享受吧，我不配，實(shí)驗(yàn)室沒有給我高配置的電腦
# n是批量大小，d_in是輸入維度
# h是隱藏的維度，d_out是輸出維度
n,d_in,h,d_out=64,1000,100,10
# 創(chuàng)建隨機(jī)輸入和輸出數(shù)據(jù),requires_grad默認(rèn)設(shè)置為False,表示不需要后期微分操作
x=torch.randn(n,d_in,device=device,dtype=dtype)
y=torch.randn(n,d_out,device=device,dtype=dtype)
# 隨機(jī)初始化權(quán)重，requires_grad默認(rèn)設(shè)置為True,表示想要計(jì)算其微分
w1=torch.randn(d_in,h,device=device,dtype=dtype,requires_grad=True)
w2=torch.randn(h,d_out,device=device,dtype=dtype,requires_grad=True)
learning_rate=1e-6
for i in range(500):
    #前向傳播，使用tensor上的操作計(jì)算預(yù)測(cè)值y
    # 由于w1和w2的requirea_grad=True,涉及這兩個(gè)張量的操作可以使pytorch構(gòu)建計(jì)算圖
    #即允許自動(dòng)計(jì)算梯度，由于不需要手動(dòng)實(shí)現(xiàn)反向傳播，所以不需要保存中間值
    y_pred=x.mm(w1).clamp(min=0).mm(w2)
    
    #使用tensor中的操作計(jì)算損失值，loss.item()得到loss這個(gè)張量對(duì)應(yīng)的數(shù)值
    loss=(y_pred-y).pow(2).sum()
    print(i,loss.item())
    #使用autograd計(jì)算反向傳播，這個(gè)調(diào)用將計(jì)算loss對(duì)所有的requires_grad=True的tensor梯度，
    #調(diào)用之后，w1.grad和w2.grad將分別是loss對(duì)w1和w2的梯度張量
    loss.backward()
    #使用梯度下降更新權(quán)重，只想對(duì)w1和w2的值進(jìn)行原地改變：不想更新構(gòu)建計(jì)算圖
    #所以使用torch.no_grad()阻止pytorch更新構(gòu)建計(jì)算圖
    with torch.no_grad():
        w1-=learning_rate*w1.grad
        w2-=learning_rate*w2.grad
    #反向傳播后手動(dòng)將梯度置零
    w1.grad.zero_()
    w2.grad.zero_()

運(yùn)行結(jié)果

在這里插入圖片描述