注意
跳转到结尾 以下载完整的示例代码。
学习基础知识 || 快速入门 || 张量 || 数据集 & 数据加载器 || 变换 || 构建模型 || 自动梯度 || 优化 || 保存 & 加载模型
快速入门#
创建于：2021 年 2 月 9 日 | 最后更新：2025 年 1 月 24 日 | 最后验证：未验证
本节介绍机器学习中常见任务的 API。请参阅每个部分中的链接以深入了解。
处理数据#
PyTorch 有两个 用于处理数据的基本组件：torch.utils.data.DataLoader 和 torch.utils.data.Dataset。 Dataset 存储样本及其对应的标签，而 DataLoader 在 Dataset 周围包装一个可迭代对象。
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
PyTorch 提供特定领域的库，例如 TorchText、TorchVision 和 TorchAudio，所有这些库都包含数据集。在本教程中，我们将使用 TorchVision 数据集。
torchvision.datasets 模块包含用于许多真实世界视觉数据的 Dataset 对象，例如 CIFAR、COCO（完整列表在此）。在本教程中，我们使用 FashionMNIST 数据集。每个 TorchVision Dataset 包含两个参数：transform 和 target_transform，用于分别修改样本和标签。
# Download training data from open datasets.
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
)
# Download test data from open datasets.
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor(),
)
0%| | 0.00/26.4M [00:00<?, ?B/s]
0%| | 65.5k/26.4M [00:00<01:12, 363kB/s]
1%| | 229k/26.4M [00:00<00:38, 682kB/s]
3%|▎ | 918k/26.4M [00:00<00:12, 2.10MB/s]
14%|█▍ | 3.67M/26.4M [00:00<00:03, 7.27MB/s]
36%|███▌ | 9.57M/26.4M [00:00<00:01, 16.4MB/s]
58%|█████▊ | 15.3M/26.4M [00:01<00:00, 21.6MB/s]
81%|████████ | 21.4M/26.4M [00:01<00:00, 25.4MB/s]
100%|██████████| 26.4M/26.4M [00:01<00:00, 19.4MB/s]
0%| | 0.00/29.5k [00:00<?, ?B/s]
100%|██████████| 29.5k/29.5k [00:00<00:00, 323kB/s]
0%| | 0.00/4.42M [00:00<?, ?B/s]
1%|▏ | 65.5k/4.42M [00:00<00:11, 363kB/s]
5%|▌ | 229k/4.42M [00:00<00:06, 681kB/s]
20%|██ | 885k/4.42M [00:00<00:01, 2.02MB/s]
81%|████████ | 3.57M/4.42M [00:00<00:00, 7.09MB/s]
100%|██████████| 4.42M/4.42M [00:00<00:00, 6.10MB/s]
0%| | 0.00/5.15k [00:00<?, ?B/s]
100%|██████████| 5.15k/5.15k [00:00<00:00, 50.4MB/s]
我们将 Dataset 作为参数传递给 DataLoader。这在我们的数据集上包装一个可迭代对象，并支持自动批处理、采样、洗牌和多进程数据加载。在这里，我们定义了批大小为 64，即 dataloader 可迭代对象中的每个元素将返回 64 个特征和标签的批次。
batch_size = 64
# Create data loaders.
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)
for X, y in test_dataloader:
print(f"Shape of X [N, C, H, W]: {X.shape}")
print(f"Shape of y: {y.shape} {y.dtype}")
break
Shape of X [N, C, H, W]: torch.Size([64, 1, 28, 28])
Shape of y: torch.Size([64]) torch.int64
了解更多关于 在 PyTorch 中加载数据。
创建模型#
要在 PyTorch 中定义神经网络，我们创建一个继承自 nn.Module 的类。我们在 __init__ 函数中定义网络的层，并在 forward 函数中指定数据将如何通过网络传递。为了加速神经网络中的操作，我们将它移动到 加速器，例如 CUDA、MPS、MTIA 或 XPU。如果当前加速器可用，我们将使用它。否则，我们使用 CPU。
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")
# Define model
class NeuralNetwork(nn.Module):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10)
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NeuralNetwork().to(device)
print(model)
Using cuda device
NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
)
)
了解更多关于 在 PyTorch 中构建神经网络。
优化模型参数#
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
在单个训练循环中，模型对训练数据集（以批次形式馈送给它）进行预测，并反向传播预测误差以调整模型的参数。
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
model.train()
for batch, (X, y) in enumerate(dataloader):
X, y = X.to(device), y.to(device)
# Compute prediction error
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
loss.backward()
optimizer.step()
optimizer.zero_grad()
if batch % 100 == 0:
loss, current = loss.item(), (batch + 1) * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
我们还检查模型在测试数据集上的表现，以确保它正在学习。
def test(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
model.eval()
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X, y = X.to(device), y.to(device)
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
训练过程在几个迭代（epochs）中进行。在每个 epoch 期间，模型学习参数以做出更好的预测。我们打印模型在每个 epoch 的准确性和损失；我们希望看到准确性随着每个 epoch 的增加而增加，损失随着每个 epoch 的增加而减少。
epochs = 5
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train(train_dataloader, model, loss_fn, optimizer)
test(test_dataloader, model, loss_fn)
print("Done!")
Epoch 1
-------------------------------
loss: 2.291193 [ 64/60000]
loss: 2.281328 [ 6464/60000]
loss: 2.259325 [12864/60000]
loss: 2.257238 [19264/60000]
loss: 2.246485 [25664/60000]
loss: 2.217668 [32064/60000]
loss: 2.228384 [38464/60000]
loss: 2.193189 [44864/60000]
loss: 2.175153 [51264/60000]
loss: 2.158070 [57664/60000]
Test Error:
Accuracy: 38.5%, Avg loss: 2.144475
Epoch 2
-------------------------------
loss: 2.150607 [ 64/60000]
loss: 2.141825 [ 6464/60000]
loss: 2.074955 [12864/60000]
loss: 2.088173 [19264/60000]
loss: 2.061697 [25664/60000]
loss: 1.994623 [32064/60000]
loss: 2.027005 [38464/60000]
loss: 1.947171 [44864/60000]
loss: 1.934769 [51264/60000]
loss: 1.878846 [57664/60000]
Test Error:
Accuracy: 59.3%, Avg loss: 1.865296
Epoch 3
-------------------------------
loss: 1.897080 [ 64/60000]
loss: 1.870387 [ 6464/60000]
loss: 1.738141 [12864/60000]
loss: 1.774309 [19264/60000]
loss: 1.705262 [25664/60000]
loss: 1.645891 [32064/60000]
loss: 1.675938 [38464/60000]
loss: 1.578394 [44864/60000]
loss: 1.588825 [51264/60000]
loss: 1.501061 [57664/60000]
Test Error:
Accuracy: 61.7%, Avg loss: 1.507232
Epoch 4
-------------------------------
loss: 1.569666 [ 64/60000]
loss: 1.539957 [ 6464/60000]
loss: 1.380867 [12864/60000]
loss: 1.452029 [19264/60000]
loss: 1.364568 [25664/60000]
loss: 1.344982 [32064/60000]
loss: 1.371835 [38464/60000]
loss: 1.298485 [44864/60000]
loss: 1.319970 [51264/60000]
loss: 1.234414 [57664/60000]
Test Error:
Accuracy: 63.7%, Avg loss: 1.252089
Epoch 5
-------------------------------
loss: 1.321795 [ 64/60000]
loss: 1.307317 [ 6464/60000]
loss: 1.138227 [12864/60000]
loss: 1.239928 [19264/60000]
loss: 1.141024 [25664/60000]
loss: 1.148930 [32064/60000]
loss: 1.182079 [38464/60000]
loss: 1.122730 [44864/60000]
loss: 1.148680 [51264/60000]
loss: 1.075168 [57664/60000]
Test Error:
Accuracy: 64.6%, Avg loss: 1.089731
Done!
了解更多关于 训练你的模型。
保存模型#
保存模型的常见方法是序列化内部状态字典（包含模型参数）。
torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")
Saved PyTorch Model State to model.pth
加载模型#
加载模型的过程包括重新创建模型结构并将状态字典加载到其中。
model = NeuralNetwork().to(device)
model.load_state_dict(torch.load("model.pth", weights_only=True))
<All keys matched successfully>
现在可以使用此模型进行预测。
classes = [
"T-shirt/top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
]
model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
x = x.to(device)
pred = model(x)
predicted, actual = classes[pred[0].argmax(0)], classes[y]
print(f'Predicted: "{predicted}", Actual: "{actual}"')
Predicted: "Ankle boot", Actual: "Ankle boot"
了解更多关于 保存 & 加载你的模型。
脚本总运行时间： (0 分钟 35.917 秒)
