Deep Learning：大白话pytorch基本知识点及语法+项目实战：2021-08-26

大白话pytorch基本知识点及语法+项目实战

相关链接：

实战项目——基于pytorch的深度学习花朵种类识别项目完整教程（内涵完整文件和代码）

超详细CNN卷积神经网络教程（零基础到实战）

知识点：

特征提取，神经元逐层判断

中间层（隐藏层）越多越厉害

学习权值、神经元进行运算

返向传递：将输出值与正确答案进行比较，将误差传递回输出层回去（叫梯度，pytorch自动完成），从而计算每个权值的最优值，去进行更改。

Pytorch核心：Autograd包（完成自动梯度计算及返向传递）

训练一个模型的时候需要返向传递，用的时候不需要

TensorFlow：

定义运算符、定义运算、定义梯度、开启对话框、注入数据、进行运算。

Pytorch：

初始化、进行运算（变调式便运算）

上code：

import torch
#定义向量
vector = torch.tensor([1,2,3,4])
print("Vector:",vector)
print("Vector Shape:",vector.shape)
#定义矩阵
matrix = torch.tensor([[1,2],[3,4]])
print("matrix:",matrix)
print("matrix Shape:",matrix.shape)
#定义张量
tensor = torch.tensor([[1,2,],[3,4],[5,6]])
print("tensor:",tensor)
print("tensor Shape:",tensor.shape)

#
Vector: tensor([1, 2, 3, 4])
Vector Shape: torch.Size([4])
matrix: tensor([[1, 2],
        [3, 4]])
matrix Shape: torch.Size([2, 2])
tensor: tensor([[1, 2],
        [3, 4],
        [5, 6]])
tensor Shape: torch.Size([3, 2])

矩阵：

创建矩阵（tensor格式）：

#这里矩阵是tensor格式，numpy中是array格式
#运算的时候都要用tensor格式，运算完展示的时候用numpy格式
#python中利用numpy创建矩阵a = np.ones(5)


#创建一个5行3列的随机数矩阵，后面加上一个参数的意思是后面可以求偏导计算梯度值了
x = torch.rand(5, 3，requires_grad=True)
#初始化一个5行3列的全零的矩阵
x = torch.zeros(5, 3, dtype=torch.long)
#初始化一个一行五列的单位矩阵
a = torch.ones(5)
#直接传入数据，结果是：tensor([5.0000, 3.0000])
x = torch.tensor([5, 3]) 
#展开矩阵看是几行几列的
x.size()

tensor：

import torch
from torch import tensor

x = tensor(42.) 
#得42.0

v = tensor([1.5, -0.5, 3.0])
#得【1.5，-0.5，3.0】

M = tensor([[1., 2.], [3., 4.]])
#得矩阵
#【1.，2】
#【3.，4】

view改变矩阵维度：

#创建一个4*4随机矩阵
x = torch.randn(4, 4)
#改变成一个一行16个元素的矩阵
y = x.view(16)
#（行，列）（-1代表自动计算，有8列）
z = x.view(-1, 8) 
print(x.size(), y.size(), z.size())

tensor矩阵格式转化为numpy的array矩阵格式：

a = torch.ones(5)
b = a.numpy()
b

pytorch基本语法：

import torch


t = x + b
y = t.sum()
#反向传播
y.backward(retain_graph=True)#如果不清空会累加起来
#反向传播中b的梯度值
b.grad 

一个线性回归模型（用GPU）：

其实线性回归就是一个不加激活函数的全连接层

import torch
import torch.nn as nn


#定义一个 y=2*x+1 函数
x_values = [i for i in range(11)]
x_train = np.array(x_values, dtype=np.float32)
x_train = x_train.reshape(-1, 1) #把数据都转化成矩阵的格式
x_train.shape

y_values = [2*i + 1 for i in x_values]
y_train = np.array(y_values, dtype=np.float32)
y_train = y_train.reshape(-1, 1)
y_train.shape


#构建网络模型
#模型都是定义一个类，（nn.Module）调用一个模块，下面直接写调用第几层就行了
class LinearRegressionModel(nn.Module):
    #构造函数:写明用了哪个层
    def __init__(self, input_dim, output_dim):
        super(LinearRegressionModel, self).__init__()
        #nn.全连接层（输入数据维度，输出数据维度），这里都是1
        self.linear = nn.Linear(input_dim, output_dim)  

    #前向传播，写明各个层是怎么走的
    def forward(self, x):
        #这里只写了一个全连接层（y=kx+b）
        out = self.linear(x)
        #输出结果
        return out

#定义输入输出维度，因为是y=kx+b，这里都是1
input_dim = 1
output_dim = 1
#输出model
model = LinearRegressionModel(input_dim, output_dim)


#指定使用GPU跑模型，需要把数据和模型传入到cuda里面
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)


#定义相关参数和函数
#训练次数
epochs = 1000
#指定学习率
learning_rate = 0.01
#指定优化器，选SGD（所有需要优化的参数，学习率）
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
#定义损失函数
criterion = nn.MSELoss()


#训练模型
#迭代100次
for epoch in range(epochs):
    epoch += 1
    # 注意转行成tensor,tenser才能做运算，同时需要把数据和模型传入到cuda里面
    inputs = torch.from_numpy(x_train).to(device)
    labels = torch.from_numpy(y_train).to(device)

    # 梯度要清零每一次迭代
    optimizer.zero_grad() 

    # 前向传播
    outputs = model(inputs)

    # 计算损失
    loss = criterion(outputs, labels)

    # 返向传播
    loss.backward()

    # 更新权重参数
    optimizer.step()
    
    if epoch % 50 == 0:
        print('epoch {}, loss {}'.format(epoch, loss.item()))

        
#预测模型结果，再转化为numpy格式        
predicted = model(torch.from_numpy(x_train).requires_grad_()).data.numpy()
predicted


#模型的保存（权重参数，‘名字’）
torch.save(model.state_dict(), 'model.pkl')
#模型读取
model.load_state_dict(torch.load('model.pkl'))

迁移学习：

用相似的模型的权重初始化

全连接层需要改变

hub模块（调用别人训练好得网络架构）：

GITHUB:https://github.com/pytorch/hub

模型：https://pytorch.org/hub/research-models

关注博主，分享学习教程，一起HappyCodeing