注意
跳转到结尾 下载完整的示例代码。
简介 || 张量 || 自动梯度 || 构建模型 || TensorBoard 支持 || 训练模型 || 模型理解
PyTorch 入门#
创建于：2021 年 11 月 30 日 | 最后更新：2025 年 6 月 5 日 | 最后验证：2024 年 11 月 5 日
请跟随下面的视频或在 youtube 上观看。
PyTorch 张量#
请跟随视频从 03:50 开始观看。
首先，我们将导入 pytorch。
import torch
让我们看看一些基本的张量操作。首先，介绍几种创建张量的方法
z = torch.zeros(5, 3)
print(z)
print(z.dtype)
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
torch.float32
上面，我们创建了一个 5x3 的矩阵，用零填充，并查询其数据类型，发现这些零是 32 位浮点数，这是 PyTorch 的默认设置。
如果您想要整数怎么办？您可以随时覆盖默认设置
i = torch.ones((5, 3), dtype=torch.int16)
print(i)
tensor([[1, 1, 1],
[1, 1, 1],
[1, 1, 1],
[1, 1, 1],
[1, 1, 1]], dtype=torch.int16)
您可以看到，当我们更改默认设置时，张量会友好地在打印时报告这一点。
通常，我们会随机初始化学习权重，通常使用特定的种子来保证结果的可重复性
torch.manual_seed(1729)
r1 = torch.rand(2, 2)
print('A random tensor:')
print(r1)
r2 = torch.rand(2, 2)
print('\nA different random tensor:')
print(r2) # new values
torch.manual_seed(1729)
r3 = torch.rand(2, 2)
print('\nShould match r1:')
print(r3) # repeats values of r1 because of re-seed
A random tensor:
tensor([[0.3126, 0.3791],
[0.3087, 0.0736]])
A different random tensor:
tensor([[0.4216, 0.0691],
[0.2332, 0.4047]])
Should match r1:
tensor([[0.3126, 0.3791],
[0.3087, 0.0736]])
PyTorch 张量以直观的方式执行算术运算。形状相似的张量可以相加、相乘等。与标量的运算会分布在张量上
ones = torch.ones(2, 3)
print(ones)
twos = torch.ones(2, 3) * 2 # every element is multiplied by 2
print(twos)
threes = ones + twos # addition allowed because shapes are similar
print(threes) # tensors are added element-wise
print(threes.shape) # this has the same dimensions as input tensors
r1 = torch.rand(2, 3)
r2 = torch.rand(3, 2)
# uncomment this line to get a runtime error
# r3 = r1 + r2
tensor([[1., 1., 1.],
[1., 1., 1.]])
tensor([[2., 2., 2.],
[2., 2., 2.]])
tensor([[3., 3., 3.],
[3., 3., 3.]])
torch.Size([2, 3])
这里是一些可用的数学运算的示例
r = (torch.rand(2, 2) - 0.5) * 2 # values between -1 and 1
print('A random matrix, r:')
print(r)
# Common mathematical operations are supported:
print('\nAbsolute value of r:')
print(torch.abs(r))
# ...as are trigonometric functions:
print('\nInverse sine of r:')
print(torch.asin(r))
# ...and linear algebra operations like determinant and singular value decomposition
print('\nDeterminant of r:')
print(torch.det(r))
print('\nSingular value decomposition of r:')
print(torch.svd(r))
# ...and statistical and aggregate operations:
print('\nAverage and standard deviation of r:')
print(torch.std_mean(r))
print('\nMaximum value of r:')
print(torch.max(r))
A random matrix, r:
tensor([[ 0.9956, -0.2232],
[ 0.3858, -0.6593]])
Absolute value of r:
tensor([[0.9956, 0.2232],
[0.3858, 0.6593]])
Inverse sine of r:
tensor([[ 1.4775, -0.2251],
[ 0.3961, -0.7199]])
Determinant of r:
tensor(-0.5703)
Singular value decomposition of r:
torch.return_types.svd(
U=tensor([[-0.8353, -0.5497],
[-0.5497, 0.8353]]),
S=tensor([1.1793, 0.4836]),
V=tensor([[-0.8851, -0.4654],
[ 0.4654, -0.8851]]))
Average and standard deviation of r:
(tensor(0.7217), tensor(0.1247))
Maximum value of r:
tensor(0.9956)
关于 PyTorch 张量的强大功能，还有很多需要了解的，包括如何设置它们以在 GPU 上进行并行计算 - 我们将在另一段视频中深入探讨。
PyTorch 模型#
请跟随视频从 10:00 开始观看。
让我们谈谈如何在 PyTorch 中表达模型
import torch # for all things PyTorch
import torch.nn as nn # for torch.nn.Module, the parent object for PyTorch models
import torch.nn.functional as F # for the activation function
图：LeNet-5
上面是 LeNet-5 的图，它是最早的卷积神经网络之一，也是深度学习爆炸式增长的驱动因素之一。它被构建用来读取小尺寸的手写数字图像（MNIST 数据集），并正确地分类图像中表示的数字。
以下是它的工作原理的简化版本
层 C1 是一个卷积层，这意味着它扫描输入图像以查找训练期间学习到的特征。它输出一个映射，显示它在图像中看到每个学习到的特征的位置。这个“激活图”在层 S2 中进行降采样。
层 C3 是另一个卷积层，这次扫描 C1 的激活图以查找特征的组合。它还输出一个激活图，描述这些特征组合的空间位置，在层 S4 中进行降采样。
最后，末尾的全连接层 F5、F6 和 OUTPUT 是一个分类器，它接收最终的激活图，并将其分类到表示 10 个数字的十个箱子之一。
我们如何在代码中表达这个简单的神经网络？
class LeNet(nn.Module):
def __init__(self):
super(LeNet, self).__init__()
# 1 input image channel (black & white), 6 output channels, 5x5 square convolution
# kernel
self.conv1 = nn.Conv2d(1, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
# an affine operation: y = Wx + b
self.fc1 = nn.Linear(16 * 5 * 5, 120) # 5*5 from image dimension
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
# Max pooling over a (2, 2) window
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# If the size is a square you can only specify a single number
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
x = x.view(-1, self.num_flat_features(x))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self, x):
size = x.size()[1:] # all dimensions except the batch dimension
num_features = 1
for s in size:
num_features *= s
return num_features
查看这段代码，您应该能够发现一些与上述图的结构相似之处。
这演示了典型的 PyTorch 模型的结构
它继承自
torch.nn.Module- 模块可以嵌套 - 事实上，即使Conv2d和Linear层类也继承自torch.nn.Module。一个模型将有一个
__init__()函数，它实例化它的层，并加载它可能需要的任何数据工件（例如，一个 NLP 模型可能会加载词汇表）。一个模型将有一个
forward()函数。这是实际计算发生的地方：输入通过网络层和各种函数传递以生成输出。除此之外，您可以像任何其他 Python 类一样构建您的模型类，添加任何支持您模型计算所需的属性和方法。
让我们实例化这个对象，并运行一个示例输入通过它。
net = LeNet()
print(net) # what does the object tell us about itself?
input = torch.rand(1, 1, 32, 32) # stand-in for a 32x32 black & white image
print('\nImage batch shape:')
print(input.shape)
output = net(input) # we don't call forward() directly
print('\nRaw output:')
print(output)
print(output.shape)
LeNet(
(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)
)
Image batch shape:
torch.Size([1, 1, 32, 32])
Raw output:
tensor([[ 0.0898, 0.0318, 0.1485, 0.0301, -0.0085, -0.1135, -0.0296, 0.0164,
0.0039, 0.0616]], grad_fn=<AddmmBackward0>)
torch.Size([1, 10])
上面发生了一些重要的事情
首先，我们实例化了 LeNet 类，并打印了 net 对象。 torch.nn.Module 的子类会报告它创建的层及其形状和参数。如果您想了解模型的处理流程，这可以提供一个方便的概述。
在下面，我们创建了一个代表 32x32 图像的虚拟输入，具有 1 个颜色通道。通常，您会加载一个图像块并将其转换为这种形状的张量。
您可能注意到我们的张量中有一个额外的维度 - 批处理维度。 PyTorch 模型假定它们正在处理数据的批次 - 例如，我们图像块的批次 16 将具有形状 (16, 1, 32, 32)。由于我们只使用一张图像，我们创建了一个形状为 (1, 1, 32, 32) 的批次 1。
我们通过像函数一样调用模型来请求模型的推理：net(input)。此调用的输出表示模型对输入代表特定数字的置信度。（由于此模型的实例尚未学习任何内容，我们不应期望在输出中看到任何信号。）查看 output 的形状，我们可以看到它也具有批处理维度，其大小应始终与输入批处理维度匹配。如果我们传入一个包含 16 个实例的输入批次，output 将具有形状 (16, 10)。
数据集和 DataLoader#
请跟随视频从 14:00 开始观看。
下面，我们将演示使用 TorchVision 的一个现成的、开放访问的数据集，如何转换图像以供您的模型使用，以及如何使用 DataLoader 将数据批次馈送到您的模型。
我们需要做的第一件事是将我们的传入图像转换为 PyTorch 张量。
#%matplotlib inline
import torch
import torchvision
import torchvision.transforms as transforms
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2470, 0.2435, 0.2616))])
在这里，我们为输入指定了两个转换
transforms.ToTensor()将 Pillow 加载的图像转换为 PyTorch 张量。transforms.Normalize()调整张量的值，使其平均值为零，标准差为 1.0。大多数激活函数在 x = 0 附近具有最强的梯度，因此将我们的数据居中在那里可以加快学习速度。传递给转换的值是数据集中 rgb 值的均值（第一个元组）和标准差（第二个元组）。您可以通过运行以下几行代码来自己计算这些值from torch.utils.data import ConcatDataset transform = transforms.Compose([transforms.ToTensor()]) trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) # stack all train images together into a tensor of shape # (50000, 3, 32, 32) x = torch.stack([sample[0] for sample in ConcatDataset([trainset])]) # get the mean of each channel mean = torch.mean(x, dim=(0,2,3)) # tensor([0.4914, 0.4822, 0.4465]) std = torch.std(x, dim=(0,2,3)) # tensor([0.2470, 0.2435, 0.2616])
还有更多的转换可用，包括裁剪、居中、旋转和反射。
接下来，我们将创建一个 CIFAR10 数据集的实例。这是一个包含 32x32 彩色图像块的数据集，代表 10 个类别的对象：6 种动物（鸟、猫、鹿、狗、青蛙、马）和 4 种车辆（飞机、汽车、船、卡车）
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
0%| | 0.00/170M [00:00<?, ?B/s]
0%| | 393k/170M [00:00<00:43, 3.87MB/s]
2%|▏ | 2.88M/170M [00:00<00:10, 15.9MB/s]
3%|▎ | 5.34M/170M [00:00<00:08, 19.6MB/s]
5%|▍ | 7.77M/170M [00:00<00:07, 21.3MB/s]
6%|▌ | 10.2M/170M [00:00<00:07, 22.4MB/s]
7%|▋ | 12.7M/170M [00:00<00:06, 23.0MB/s]
9%|▉ | 15.1M/170M [00:00<00:06, 23.4MB/s]
10%|█ | 17.6M/170M [00:00<00:06, 23.6MB/s]
12%|█▏ | 20.0M/170M [00:00<00:06, 23.7MB/s]
13%|█▎ | 22.4M/170M [00:01<00:06, 23.8MB/s]
15%|█▍ | 24.8M/170M [00:01<00:06, 24.0MB/s]
16%|█▌ | 27.3M/170M [00:01<00:05, 23.9MB/s]
17%|█▋ | 29.7M/170M [00:01<00:05, 23.8MB/s]
19%|█▉ | 32.0M/170M [00:01<00:05, 23.8MB/s]
20%|██ | 34.5M/170M [00:01<00:05, 23.8MB/s]
22%|██▏ | 36.9M/170M [00:01<00:05, 23.6MB/s]
23%|██▎ | 39.3M/170M [00:01<00:05, 23.8MB/s]
24%|██▍ | 41.7M/170M [00:01<00:05, 23.8MB/s]
26%|██▌ | 44.1M/170M [00:01<00:05, 23.8MB/s]
27%|██▋ | 46.5M/170M [00:02<00:05, 23.9MB/s]
29%|██▉ | 49.3M/170M [00:02<00:04, 25.0MB/s]
31%|███ | 52.6M/170M [00:02<00:04, 27.3MB/s]
33%|███▎ | 55.7M/170M [00:02<00:04, 28.3MB/s]
35%|███▍ | 59.3M/170M [00:02<00:03, 30.6MB/s]
37%|███▋ | 63.8M/170M [00:02<00:03, 34.8MB/s]
41%|████▏ | 70.4M/170M [00:02<00:02, 44.0MB/s]
46%|████▋ | 79.0M/170M [00:02<00:01, 56.4MB/s]
52%|█████▏ | 88.0M/170M [00:02<00:01, 66.5MB/s]
58%|█████▊ | 98.3M/170M [00:02<00:00, 77.4MB/s]
63%|██████▎ | 108M/170M [00:03<00:00, 83.1MB/s]
69%|██████▉ | 118M/170M [00:03<00:00, 87.7MB/s]
75%|███████▌ | 128M/170M [00:03<00:00, 91.6MB/s]
81%|████████ | 137M/170M [00:03<00:00, 92.2MB/s]
87%|████████▋ | 148M/170M [00:03<00:00, 95.4MB/s]
92%|█████████▏| 157M/170M [00:03<00:00, 94.5MB/s]
98%|█████████▊| 168M/170M [00:03<00:00, 97.2MB/s]
100%|██████████| 170M/170M [00:03<00:00, 46.5MB/s]
注意
当您运行上面的单元格时，数据集可能需要一些时间才能下载。
这是一个在 PyTorch 中创建数据集对象的示例。可下载的数据集（如上面的 CIFAR-10）是 torch.utils.data.Dataset 的子类。PyTorch 中的 Dataset 类包括 TorchVision、Torchtext 和 TorchAudio 中的可下载数据集，以及实用数据集类，例如 torchvision.datasets.ImageFolder，它将读取带有标签的图像的文件夹。您还可以创建您自己的 Dataset 的子类。
当我们实例化我们的数据集时，我们需要告诉它一些事情
我们希望将数据放在文件系统中的路径。
我们是否将此集合用于训练；大多数数据集将分为训练和测试子集。
我们是否希望下载数据集（如果尚未下载）。
我们想要应用于数据的转换。
一旦您的数据集准备好，您可以将其交给 DataLoader
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
一个 Dataset 子类封装了对数据的访问，并专门用于它所提供的数据类型。 DataLoader 不了解数据，但会根据您指定的参数将 Dataset 提供的输入张量组织成批次。
在上面的示例中，我们要求一个 DataLoader 从 trainset 中为我们提供 4 个图像的批次，随机化它们的顺序（shuffle=True），并告诉它启动两个工作线程从磁盘加载数据。
最好可视化您的 DataLoader 所提供的批次
import matplotlib.pyplot as plt
import numpy as np
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
# get some random training images
dataiter = iter(trainloader)
images, labels = next(dataiter)
# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers). Got range [-0.49473685..1.5632443].
ship car horse ship
运行上面的单元格应该会向您显示一行四张图像，以及每张图像的正确标签。
训练您的 PyTorch 模型#
请跟随视频从 17:10 开始观看。
让我们把所有部分放在一起，并训练一个模型
#%matplotlib inline
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
首先，我们需要训练和测试数据集。如果您尚未这样做，请运行下面的单元格以确保下载了数据集。（可能需要一分钟。）
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
我们将对 DataLoader 的输出进行检查
import matplotlib.pyplot as plt
import numpy as np
# functions to show an image
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
# get some random training images
dataiter = iter(trainloader)
images, labels = next(dataiter)
# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
cat cat deer frog
这是我们将要训练的模型。如果它看起来很熟悉，那是因为它是一个 LeNet 的变体——正如本视频前面讨论的那样——针对 3 色图像进行了调整。
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
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 = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
我们需要的最后一个要素是损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
如本视频前面讨论的那样，损失函数是衡量模型预测与理想输出的差距。交叉熵损失是像我们这样的分类模型的典型损失函数。
优化器是驱动学习的动力。在这里，我们创建了一个实现随机梯度下降的优化器，这是一种更直接的优化算法。除了学习率 (lr) 和动量等算法参数外，我们还传入 net.parameters()，它包含了模型中的所有学习权重——这是优化器调整的对象。
最后，所有这些都组装到训练循环中。请运行此单元格，因为它可能需要几分钟才能执行
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the inputs
inputs, labels = data
# zero the parameter gradients
optimizer.zero_grad()
# forward + backward + optimize
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# print statistics
running_loss += loss.item()
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
[1, 2000] loss: 2.195
[1, 4000] loss: 1.879
[1, 6000] loss: 1.656
[1, 8000] loss: 1.576
[1, 10000] loss: 1.517
[1, 12000] loss: 1.461
[2, 2000] loss: 1.415
[2, 4000] loss: 1.368
[2, 6000] loss: 1.334
[2, 8000] loss: 1.327
[2, 10000] loss: 1.318
[2, 12000] loss: 1.261
Finished Training
这里，我们只进行 2 个训练 epoch（第 1 行）——即，对训练数据集进行两次遍历。每次遍历都有一个内部循环，它遍历训练数据（第 4 行），提供一批转换后的输入图像及其正确的标签。
将梯度归零（第 9 行）是一个重要的步骤。梯度在一个批次中累积；如果我们不为每个批次重置它们，它们将继续累积，这将提供不正确的梯度值，使学习变得不可能。
在第 12 行，我们要求模型对该批次进行预测。在下一行（第 13 行），我们计算损失——outputs（模型预测）和 labels（正确输出）之间的差异。
在第 14 行，我们执行 backward() 传递，并计算将指导学习的梯度。
在第 15 行，优化器执行一个学习步骤——它使用来自 backward() 调用中的梯度来调整学习权重，使其认为可以减少损失的方向。
循环的其余部分对 epoch 编号、已完成的训练实例数量以及训练循环中累积的损失进行了一些简单的报告。
当您运行上面的单元格时，您应该会看到类似如下内容
[1, 2000] loss: 2.235
[1, 4000] loss: 1.940
[1, 6000] loss: 1.713
[1, 8000] loss: 1.573
[1, 10000] loss: 1.507
[1, 12000] loss: 1.442
[2, 2000] loss: 1.378
[2, 4000] loss: 1.364
[2, 6000] loss: 1.349
[2, 8000] loss: 1.319
[2, 10000] loss: 1.284
[2, 12000] loss: 1.267
Finished Training
请注意，损失呈单调下降趋势，表明我们的模型正在继续提高其在训练数据集上的性能。
作为最后一步，我们应该检查模型是否真的在进行泛化学习，而不仅仅是“记住”数据集。这被称为过拟合，通常表明数据集太小（没有足够的示例进行泛化学习），或者模型具有比正确建模数据集所需的更多学习参数。
这就是数据集被分成训练和测试子集的原因——为了测试模型的泛化能力，我们要求它对未训练过的数据进行预测
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total))
Accuracy of the network on the 10000 test images: 54 %
如果您一路跟随，您应该会看到模型目前大约有 50% 的准确率。这并不算最先进的，但比我们期望的随机输出的 10% 准确率好得多。这表明模型中发生了一些泛化学习。
脚本总运行时间：（1 分 23.329 秒）
