Pytorch深度学习实战项目回顾
1.前言
很久没有碰Pytorch了，准备以实战项目代码回顾的方式进行复习。
2.Pytorch安装
现在我又切回了ubuntu系统，里面没有Pytorch，所以顺便从Pytorch最新版安装开始讲起吧。
（1）本机配置
CUDA9.0, CUDNN7.1.2
Anaconda5.2.0
linux下查cuda,cudnn版本的方法：
① cuda
cat /usr/local/cuda/version.txt
② cudnn
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
（2）官方安装
官方链接
2020.5.17官网已经更新到了pytorch1.5版本了，要求是：
最新版需要cuda9.2，我的是9.0无缘了，只能安比较新的pytorch1.1.0，有anaconda的直接运行：
conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=9.0 -c pytorch
注意： 不用安装会很慢哦。
（3）运行测试
import torch
x = torch.rand(5, 3)
print(x)
print(torch.cuda.is_available())
输出True就是使用了GPU了，而且运行中没有tensorflow显示得那么复杂，很间接，而且能够直接输出numpy.array类型，非常pythonic。
注意： 如果你是python2.7，但还想用3.x的print语法，就在最前面加上以下的语句就ok了。
from __future__ import print_function
至此，pytorch安装完毕。
3.Pytorch项目代码回顾
这里的项目具体是：
我不不会一行一行地讲代码，而是说说一些函数用法的注意事项以及探索。废话不多说，开始吧。
1）一些常用函数的探索
（1）Tensor加法
import torch
x = torch.rand(5, 3, dtype=torch.float32)
y = torch.rand(5, 3, dtype=torch.float32)
print(x)
print(y)
y.add_(x) # 相当于python中的y+=x
print(y)
（2）torch.empty
最开始，我以为这个就是0的生成，结果不是。这个是创建了一个未被初始化数值的tensor，换句话说就是生成的tensor里面的数是没有规律的。
（3）数据切片
完全类似于numpy。
import torch
x = torch.rand(2, 2, dtype=torch.float32)
print(x)
y = x[:, 1]
print(y, y.shape)
"""
output:
tensor([[0.1247, 0.8228],
[0.5879, 0.0067]])
tensor([0.8228, 0.0067]) torch.Size([2])
"""
（4）view
完全类似于numpy中的reshape，并且y = x.view(4)与y = x.reshape(4)都是ok的。
import torch
x = torch.rand(2, 2, dtype=torch.float32)
print(x)
y = x.view(4)
print(y, y.shape)
"""
output:
tensor([[0.6341, 0.7080],
[0.5801, 0.2063]])
tensor([0.6341, 0.7080, 0.5801, 0.2063]) torch.Size([4])
"""
（5）tensor与array转换
在tensorflow中，这种转换很复杂，如要构建静态图，然后在run或者eval，才可以得到array。pytorch中非常简单。
① 单一数字tensor的直接转换
import torch
x = torch.rand(1, dtype=torch.float32)
print(x)
print(x.item())
"""
output:
tensor([0.3996])
0.3996013402938843
"""
② 数组tensor的直接转换
import torch
x = torch.rand(2,2, dtype=torch.float32)
print(x)
print(x.numpy())
"""
output:
tensor([[0.7119, 0.3798],
[0.1673, 0.0765]])
[[0.71185666 0.37983876]
[0.16733897 0.07648808]]
"""
③ numpy转tensor
import torch
import numpy as np
x = np.ones((2, 2))
print(x)
print(torch.from_numpy(x))
"""
output:
tensor([[0.7119, 0.3798],
[0.1673, 0.0765]])
[[0.71185666 0.37983876]
[0.16733897 0.07648808]]
"""
注意：
1.np.ones((2, 2))写成np.ones(2, 2)是错误的。
2.一定要注意浅copy和深copy的区别，这里与python是一样的
1’浅copy:
import torch
x = torch.rand(2, 2, dtype=torch.float32)
print(x)
y = x
x += 1
print(x)
print(y)
"""
output:
tensor([[0.9920, 0.5458],
[0.9623, 0.2851]])
tensor([[1.9920, 1.5458],
[1.9623, 1.2851]])
tensor([[1.9920, 1.5458],
[1.9623, 1.2851]])
"""
或者使用copy库：
import torch
import copy
x = torch.rand(2, 2, dtype=torch.float32)
print(x)
y = copy.copy(x)
x += 1
print(x)
print(y)
"""
output:
tensor([[0.9920, 0.5458],
[0.9623, 0.2851]])
tensor([[1.9920, 1.5458],
[1.9623, 1.2851]])
tensor([[1.9920, 1.5458],
[1.9623, 1.2851]])
"""
1’深copy:
这里由于是对tensor操作的，并不能使用python中的.copy()哦！
import torch
import copy
x = torch.rand(2, 2, dtype=torch.float32)
print(x)
y = copy.deepcopy(x)
x += 1
print(x)
print(y)
"""
output:
tensor([[0.3382, 0.5585],
[0.2366, 0.9174]])
tensor([[1.3382, 1.5585],
[1.2366, 1.9174]])
tensor([[0.3382, 0.5585],
[0.2366, 0.9174]])
"""
（6）cpu,gpu两种状态的转换需求
① 变量
import torch
if torch.cuda.is_available():
device = torch.device('cuda')
print(device)
x = torch.rand(2, 2, dtype=torch.float32, device=device)
print(x)
# print(x.numpy()) # 会报错的，因为x变量已经放在了cuda上了，而numpy是在cpu上运行的
# corvert cuda to cpu
print(x.cpu().numpy())
print(x.to('cpu').numpy())
"""
output:
tensor([[0.7047, 0.3864],
[0.1722, 0.4075]], device='cuda:0')
[[0.70474064 0.3864395 ]
[0.1721652 0.40747693]]
[[0.70474064 0.3864395 ]
[0.1721652 0.40747693]]
"""
② 模型
model = model.cuda()
2）实战两层神经网络的训练
网络配置：
第一层：300
第二层：50
第三层：5
样本数：32
学习率：1e-5
迭代次数：500
以下代码已经有了详细的注解
注意：
1.dot是真正的矩阵乘法，*和multiply是逐元素的乘法。
2.一定要注意在indexing的时候，True与1意思不一样哦，True表示选择某个index，而1表示选择第二个元素，具体见下面的比较：
a = np.array([1, 2, 3, -1])
b = [False, True, False, True]
c = [0, 1, 0, 1]
out1 = a[b]
out2 = a[c]
print(out1, out2)
"""
output:
[ 2 -1] [1 2 1 2]
"""