PyTorch官方文档学习笔记（备忘）

以前学习过一些pytorch教程，平时也会应用到，但发现技术文档才是最好最系统最全面的教材，现在从头学习梳理一遍，本文记录一下平时记不住的内容。

Tensors

In-place operations

就地操作，将结果存储到操作数中。用 _ 结尾，比如 x.copy_(),x.t_(),x.add_()，都会改变x。

in-place 操作节省了一些内存，但是也会丢失历史记录，所以不建议使用。

Tensor to NumPy array

CPU 上的张量和 NumPy 数组可以共享它们的底层内存位置，改变其中一个将会改变另一个。
Tensor to NumPy array:

t = torch.ones(5)
n = t.numpy()

NumPy array to Tensor:

n = np.ones(5)
t = torch.from_numpy(n)

这时改变其中一个的值，另一个随之改变。

---

Datasets & Dataloaders

处理数据样本的代码容易混乱，难以维护；理想情况下，我们希望数据集代码与模型训练代码分离，以获得更好的可读性和模块化。
PyTorch 提供了两个工具：torch.utils.data.Dataset, torch.utils.data.DataLoader。Dataset 存储样本和它们对应的标签，DataLoader 在 Dataset 周围包装一个可迭代对象，以便方便地访问样本。

Createing a Custom Dataset for your files

必须实现三个函数：__init__ , __len__, __getitem__

初始化时包含图像、标签和两者的transform等。

Preparing your data for training with DataLoaders

Dataset 每次检索我们数据集的特征并标记一个样本。在训练模型时，我们通常希望小批量地通过样本，在每个epoch重新打乱数据以减少模型过拟合，并使用python的multiprocessing来加速数据检索。DataLoader 是一个可迭代对象，为我们做了上面这些复杂的事。

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(testing_data, batch_size=64, shuffle=True)

每次迭代都返回一批 train_features 和 train_labels（分别包含 64 个特征和标签），指定 shuffle=True，在遍历所有 batches 后数据被打乱。对于更细粒度的数据加载顺序控制，查看 Samplers 的用法。

# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap='gray')
plt.show()

---

Transforms

使用转换对数据进行一些操作使其适合训练。
所有的T哦日出Vision数据集都有两个参数：transform, target_transform。
torchvision.transforms 模块可以方便的使用转换。

ToTensor()

converts a PIL image or NumPy ndarray into a FloatTensor. and scales the image’s pixel intensity values in the range [0., 1.].

Lambda Transforms

用户可以自己定义 Lambda 函数。
例如，这里定义了一个函数将整数转换成一个 one-hot 编码张量。先创建一个大小为10的零张量，调用scatter_在标签y给出的索引上赋值为1。

target_transform = Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))

---

Build Model

torch.nn 提供了构建神经网络所需的构建模块。神经网络本身是由其他模块（layers）组成的模块。这种嵌套结构允许轻松地构建和管理复杂的体系结构。

Get Device for Training

device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")

Define the Class

__init__初始化神经网络层，forward方法实现对输入数据的操作。

class NeuralNetwork(nn.Module):
	def __init__(self):
		super(NeuralNetwork, self).__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

使用时先创建实例，然后转移到device上。

model = NeuralNetwork().to(device)

使用模型，传入数据：

logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
y_pred = pred_probab.argmax(1)

Model Parameters

使用模型的parameters() named_parameters() 方法可以访问模型的所有参数。

for name, param in model.named_parameters():
	print(f"Layer: {name} | Size: {param.size()} | Values: {param[:2]}\n")

---

Autograd

Automitic differentiation with torch.autograd，支持自动计算梯度的任何计算图。

设置张量的requires_grad 属性。反向传播函数的引用存储在一个张量的grad_fn属性中。

Computing Gradients

loss.backward()

Disabling Gradient Tracking

当已经训练了模型，只是想应用到一些输入数据上，只想通过网络进行正向计算时，可以通过torch.no_grad()来停止追踪计算。或者使用detach()

禁用梯度追踪的原因：

• 将神经网络中的一些参数标记为 frozen parameters。这是对预训练网络进行微调的常见场景。
• 只做前向传播时为了加速计算，不跟踪梯度的张量的计算更有效率。

从概念上讲，autograd 在一个由 Function 对象组成的有向无环图(DAG)中保存数据(张量)和所有执行操作(以及产生的新张量)的记录。在这个 DAG 中，叶是输入张量，根是输出张量。通过跟踪这个从根到叶的图，可以使用链式法则自动计算梯度。

在向前传递中，autograd 同时做两件事:

• 运行请求的操作来计算结果张量
• 在 DAG 中维护操作的梯度函数 (gradient function)

当在 DAG 根上调用.backward()时，向后传递开始。然后 autograd:

• 计算每个.grad_fn，
• 将它们累积到各自张量的. grad属性中，
• 使用链式法则，一直传播到叶张量。

Note: DAGs are dynamic in PyTorch. 每次backward()后，会填充一个新图。如果需要，可以在每次迭代中更改形状、大小和操作。

---

Optimization

超参数 Hyperparameters 是可调参数，控制模型优化过程。
然后定义 loss function 和 optimizer。

def train_loop(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    for batch, (X, y) in enumerate(dataloader):
        # Compute prediction and loss
        pred = model(X)
        loss = loss_fn(pred, y)

        # Backpropagation
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if batch % 100 == 0:
            loss, current = loss.item(), batch * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")


def test_loop(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    test_loss, correct = 0, 0

    with torch.no_grad():
        for X, y in dataloader:
            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")

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

epochs = 10
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(train_dataloader, model, loss_fn, optimizer)
    test_loop(test_dataloader, model, loss_fn)
print("Done!")

---

Save & Load Model

torch.save(model.state_dict(), 'model_weights.pth')
model.load_state_dict(torch.load('model_weights.pth'))

torch.save(model, 'model.pth')
model = torch.load('model.pth')

---

（待补充）

Reference:
官方教程指路✋

---

$$Author:Chier$$