前言

目前機(jī)器學(xué)習(xí)框架有兩大方向，Pytorch和Tensorflow 2。對(duì)于機(jī)器學(xué)習(xí)的小白的我來說，直觀的感受是Tensorflow的框架更加傻瓜式，在這個(gè)框架下只需要定義神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、輸入和輸出，然后直接使用其框架下的各種框架函數(shù)即可。而對(duì)于Pytorch來說，則使用者能操作、定義的細(xì)節(jié)更多，但與此同時(shí)使用難度也會(huì)更高。

通過各種資料也顯示，在學(xué)術(shù)研究范圍內(nèi)，越來越多的人使用Pytorch，其實(shí)Tensorflow也不錯(cuò)，但對(duì)于普通小白來說入手更快，應(yīng)用也更快。本著全面發(fā)展，多嘗試的心態(tài)，開始Pytorch學(xué)習(xí)。

小編將從自身的理解習(xí)慣開始不斷更新這篇博文：

1.Pytorch簡介

Pytorch就是一個(gè)神經(jīng)網(wǎng)絡(luò)框架，使用Pytorch可以跳過很多不必要的底層工作，很多通用的方法、數(shù)據(jù)結(jié)構(gòu)都已經(jīng)實(shí)現(xiàn)供我們調(diào)用，從而可以讓我們將精力集中在改進(jìn)數(shù)據(jù)質(zhì)量、網(wǎng)絡(luò)結(jié)構(gòu)和評(píng)估方法上去。

使用和訓(xùn)練神經(jīng)網(wǎng)絡(luò)從思考順序上來說無非就三個(gè)階段：

1）構(gòu)思神經(jīng)網(wǎng)絡(luò)的輸入、輸出和網(wǎng)絡(luò)結(jié)構(gòu)，其中輸入輸出非常關(guān)鍵。

2）訓(xùn)練數(shù)據(jù)集（粗糙的原始數(shù)據(jù)）。

3）如何將訓(xùn)練數(shù)據(jù)集轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)能夠接受并且能夠正確輸出的結(jié)構(gòu)。

4）訓(xùn)練神經(jīng)網(wǎng)絡(luò)并進(jìn)行預(yù)測。

2.Pytorch定義神經(jīng)網(wǎng)絡(luò)的輸入輸出和結(jié)構(gòu)

使用Pytorch定義神經(jīng)網(wǎng)絡(luò)非常通用的格式：

class NN(nn.Module):
    def __init__(self):
        super(NN,self).__init__()#繼承tOrch中已經(jīng)寫好的類，包含神經(jīng)網(wǎng)絡(luò)其余所有通用必要方法函數(shù)。
        self.flatten=nn.Flatten()#加入展平函數(shù)。
        self.net=nn.Sequential(#調(diào)用Sequential方法定義神經(jīng)網(wǎng)絡(luò)。
            nn.Linear(100*3,100*3),
            nn.ReLU(),
            nn.Linear(100*3,100*3),
            nn.ReLU(),
            nn.Linear(100*3,27)
        )
    def forward(self,x):#自定義神經(jīng)網(wǎng)絡(luò)的前向傳播函數(shù)，本文使用了正常的前向傳播函數(shù)，但最終的結(jié)果給出三個(gè)輸出。
        result=self.net(x)
        r1=result[:9]
        r2=result[9:18]
        r3=result[18:27]    
        return [r1,r2,r3]
 

到這里基本上已經(jīng)定義了自己的神經(jīng)網(wǎng)絡(luò)了，輸入為100*3=200個(gè)數(shù)據(jù)、輸出為27個(gè)數(shù)據(jù)。那么問題來了，怎么把數(shù)據(jù)輸入進(jìn)去呢？

3.Pytorch神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)格式-tensor

對(duì)于編程小白、機(jī)器學(xué)習(xí)小白的我或者大家來說，tensor的直接定義不好理解。

tensor表面上只進(jìn)行了存儲(chǔ)，但實(shí)際上它包含了很多中方法，直接使用tensor.Method()調(diào)用相關(guān)方法即可，而省去了自己來定義函數(shù)，再操作數(shù)據(jù)結(jié)構(gòu)。并且在Pytorch進(jìn)行訓(xùn)練時(shí)，也會(huì)在其內(nèi)部調(diào)用這些方法，所以就需要我們使用這些數(shù)據(jù)結(jié)構(gòu)來作為Pytorch神經(jīng)網(wǎng)的輸入，并且神經(jīng)網(wǎng)絡(luò)的輸出也是tensor形式，numpy array 和 list 和 tensor 的轉(zhuǎn)換其實(shí)就是數(shù)據(jù)相同，但集成了不同方法的數(shù)據(jù)結(jié)構(gòu)。

那么下面就是輸入數(shù)據(jù)的定義。train_data和labels都是我們使用python方法寫出的list。

#train_data、labels都是list，經(jīng)過list->ndarray->tensor的轉(zhuǎn)換過程。
train_data=torch.tensor(np.array(train_data)).to(torch.float32).to(device)
labels=torch.tensor(np.array(labels)).to(torch.float32).to(device)

4.神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測

使用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測（前向傳播）、計(jì)算損失函數(shù)、反向傳播更新梯度

1）進(jìn)行前向傳播

#train_data[0]即為訓(xùn)練數(shù)據(jù)的第一條輸入數(shù)據(jù)。
prediction=model(train_data[0])

2）計(jì)算損失

#定義優(yōu)化器
optim=torch.optim.SGD(model.parameters(),lr=1e-2,momentum=0.9)
# 定義自己的loss 
loss=(prediction[0]-labels[0]).sum()+(prediction[1]-labels[1]).sum()+(prediction[2]-labels[2]).sum()
#反向傳播
optim.zero_grad()#清除上一次的靜態(tài)梯度，防止累加。
loss.backward()#計(jì)算反向傳播梯度。
optim.step()#進(jìn)行一次權(quán)值更新。
 

此處的計(jì)算損失和權(quán)值依據(jù)輸入數(shù)據(jù)更新一次的結(jié)果，由此加入一個(gè)循環(huán)，便可以實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。

3) 訓(xùn)練網(wǎng)絡(luò)

在正式進(jìn)入訓(xùn)練網(wǎng)絡(luò)之前，我們還需要了解一個(gè)叫做Batch的東西，如果我們將數(shù)據(jù)一個(gè)一個(gè)送進(jìn)去訓(xùn)練，那么神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度將是十分緩慢的，因此我們每次可以丟進(jìn)去很多數(shù)據(jù)讓神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，通過計(jì)算總體的損失就可以讓梯度更快地下降。但訓(xùn)練數(shù)據(jù)有時(shí)又很巨大，所以就需要將整個(gè)訓(xùn)練數(shù)據(jù)打包成一批一批的進(jìn)入訓(xùn)練，并重復(fù)若干次，每訓(xùn)練整個(gè)數(shù)據(jù)一次，會(huì)經(jīng)歷若干個(gè)batch，這一過程稱為一個(gè)epoch。

所以為了使網(wǎng)絡(luò)預(yù)測結(jié)果更快地收斂，即更快地訓(xùn)練神經(jīng)網(wǎng)絡(luò)，我們需要首先對(duì)數(shù)據(jù)進(jìn)行打包。

import torch.utils.data as Data
bath=50#每批次大小
loader=Data.DataLoader(#制作數(shù)據(jù)集，只能由cpu讀取
    dataset = train_data_set,
    batch_size=bath,#每批次包含數(shù)據(jù)條數(shù)
    shuffle=True,#是否打亂數(shù)據(jù)
    num_workers=1,#多少個(gè)線程搬運(yùn)數(shù)據(jù)
)

然后，我們就可以進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練了：

pstep=2#每個(gè)多少個(gè)批次就輸出一次結(jié)果
for epoch in range(1000):
    running_loss=0.0
    for step,(inps,labs) in enumerate(loader):
        #取出數(shù)據(jù)并搬運(yùn)至GPU進(jìn)行計(jì)算。
        labs=labs.to(device)
        inps=inps.to(device) 
        outputs = model(inps)#將數(shù)據(jù)輸入進(jìn)去并進(jìn)行前向傳播
        loss=loss_fn(outputs,labs)#損失函數(shù)的定義
        optimizer.zero_grad()#清楚上一次的靜態(tài)梯度，防止累加。
        loss.backward()#反向傳播更新梯度
        optimizer.step()#進(jìn)行一次優(yōu)化。
        running_loss += loss.item()#不加item()會(huì)造成內(nèi)存堆疊
        size=len(labs)*3
        correct=0
        #print("outputs:",outputs.argmax(-1),"\nlabs:",labs.argmax(-1))
        #逐個(gè)判斷計(jì)算準(zhǔn)確率
        correct+=(outputs.argmax(-1)==labs.argmax(-1)).type(torch.float).sum().item()
        if step % pstep == pstep-1:    # print every 10 mini-batches
            print('[%d, %5d] loss: %.3f correct:%.3f' %
                  (epoch + 1, step + 1, running_loss / pstep,correct/size))
            if correct/size>1:#錯(cuò)誤檢查
                print("outputs:",outputs.argmax(-1),"\nlabs:",labs.argmax(-1),"\ncorrect:",correct,"\nSize:",size)
            running_loss = 0.0
#保存模型
torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")

到此這篇關(guān)于Pytorch相關(guān)知識(shí)介紹與應(yīng)用的文章就介紹到這了,更多相關(guān)Pytorch知識(shí)點(diǎn)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論