【PyTorch入门教程】1. 基础知识

欢迎关注 【LearnOpenCV: PyTorch入门教程】
PyTorch入门：Ch1 基础知识
PyTorch入门：[Ch2 使用预训练模型进行图像分类]
PyTorch入门：[Ch3 使用迁移学习进行图像分类]
PyTorch入门：[Ch4 使用ONNX和Caffe2进行模型推理]
PyTorch入门：[Ch5 使用Torchvision进行语义分割]
PyTorch入门：[Ch6 实现更快的R-CNN目标检测]
PyTorch入门：[Ch7 使用Mask RCNN进行实例分割]

世界在不断发展，为之服务的技术也在不断发展。对每个人来说，跟上技术的快速变化至关重要。人工智能是发展最快、规模最大的领域之一。在这个快速发展的领域，PyTorch作为构建这些模型的替代方案而诞生。

我们为PyTorch初学者创建了一系列深度学习入门教程，帮助他们学习使用PyTorch和Torchvision。PyTorch网站上有很多教程，我们希望与这些教程有所差异。

这是一个面向初学者的PyTorch教程。

1. 什么是PyTorch?

正如PyTorch官方文件的介绍，PyTorch不仅是一个基于Python的深度学习库，还是一个科学计算包。

PyTorch科学计算包的特点在于：

1. 取代NumPy以使用强大的GPU；
2. 为深度学习研究提供极大的灵活性和速度。

PyTorch使用张量Tensor作为核心的数据结构，类似于Numpy数组。随着软件和硬件的快速发展，张量Tensor可以加速各种数学运算。在深度学习中大量执行这些操作时，张量Tensor在速度上具有很大的优势。

PyTorch与Python类似，专注于易用性，只有基本编程能力的初学者都可以在项目中使用深度学习。这也使它成为“初学者首选的深度学习库”。

2. 为什么选择PyTorch学习深度学习?

我们在上节介绍PyTorch是“初学者首选的深度学习库”。

基于Python的深度学习库非常丰富，例如广泛流行的Keras、Tensorflow、Caffe、Theano（RIP）等等。PyTorch有什么不同呢？

一个理想的深度学习库应该易于学习和使用，足够灵活，可以用于各种应用程序，高效，以便我们能够处理大量的现实数据集，并且足够准确，即使在输入数据存在不确定性的情况下也能提供正确的结果。

PyTorch在这些方面的表现都非常优秀。“pythonic”的编码风格使其易于学习和使用。GPU加速、对分布式计算和自动梯度计算的支持，对于从正向表达式开始自动执行反向传递非常方便。

虽然Python语言的封装会使程序运行速度慢，但高性能的C++API（libtorch）可以较好地处理这个问题。这使得从研发到生产的过程非常顺利。

让我们看看使用PyTorch应用程序所获得的有趣结果。

如果你对PyTorch感兴趣，这里列出了很多PyTorch项目：【23个PyTorch开源项目（The Top 23 Pytorch Open Source Projects）】

3. PyTorch Library概览

我们来看看PyTorch项目的基本流程。

下图描述了一个典型的工作流程以及与每个步骤相关的重要模块。

PyTorch基本流程图

我们将简要地讨论几个重要的PyTorch模块：torch.nn、torch.optim、torch.utils和torch.autograd。

3.1 数据加载与处理

数据加载和处理是深度学习项目的基本需求。
PyTorch的torch.utils.data模块用于实现数据加载和处理，该模块中的两个重要类是数据集Dataset和数据加载器DataLoader。

• 数据集Dataset基于张量(Tensor)数据结构，主要用于自定义数据集。
• 数据加载器DataLoader，用于从用户的大型数据集加载数据，以便对模型进行训练。

如果可以访问多台机器或GPU，也可以使用torch.nn.DataParallel模块和torch.distributed模块进行并行处理或分布式处理。

3.2 建立神经网络

torch.nn模块用于创建神经网络。它提供了所有常见的神经网络层（layer），如全连接层、卷积层、激活函数和损失函数等。

在创建网络架构、准备输入数据之后，就需要更新权重和偏差方法，以便开始训练网络模型。torch.optim模块提供各种参数优化算法，而torch.autograd模块提供计算反向传播的自动微分算法。

3.3 模型推理与兼容性

模型经过训练后，可以用于预测测试集甚至新数据集的输出，这个过程称为模型推理。
PyTorch还提供了TorchScript，可以独立于Python程序来运行模型。这可以认为是一个虚拟机（Virtual Machine），其指令主要针对张量(Tensor)。

使用PyTorch训练好的模型还可以转换为ONNX等格式。ONNX格式允许在MXNet、CNTK、Caffe2等其它深度学习框架中使用PyTorch模型。也可以将ONNX格式的模型转换为Tensorflow格式。

4. 张量（Tensors）介绍

张量是PyTorch中使用的核心数据结构。

张量与Numpy数组类似，只是矩阵的一个特殊名称。如果你熟悉Numpy数组，那么理解和使用PyTorch张量将非常容易。

标量值由0维张量表示，列/行数组使用一维张量表示，二维矩阵使用二维张量表示，依次类推。下面显示了一些不同维度张量的例子，以便可视化和理解。

张量(Tensor)的结构

在介绍张量之前，我们通过conda命令来安装PyTorch 1.1.0。

conda install -c pytorch pytorch-cpu

该命令将安装PyTorch CPU版本。

5. 创建张量（Tensor）

本节介绍如何创建张量(Tensor)。

首先要导入PyTorch库。接着创建一个全1或全0的一维张量。

import torch

# Create a Tensor with just ones in a column
a = torch.ones(5)
 
# Print the tensor we created
print(a)
 
# tensor([1., 1., 1., 1., 1.])
 
# Create a Tensor with just zeros in a column
b = torch.zeros(5)
print(b)
 
# tensor([0., 0., 0., 0., 0.])

类似地，创建具有任意值的一维张量，如下所示。

c = torch.tensor([1.0, 2.0, 3.0, 4.0, 5.0])
print(c)

# tensor([1., 2., 3., 4., 5.])

在上面的例子中我们创建了一维张量，下面的例子将创建更高维度的张量。

d = torch.zeros(3,2)
print(d)

# tensor([[0., 0.],
#        [0., 0.],
#        [0., 0.]])

e = torch.ones(3,2)
print(e)

# tensor([[1., 1.],
#        [1., 1.],
#        [1., 1.]])

f = torch.tensor([[1.0, 2.0],[3.0, 4.0]])
print(f)

# tensor([[1., 2.],
#        [3., 4.]])

# 3D Tensor
g = torch.tensor([[[1., 2.], [3., 4.]], [[5., 6.], [7., 8.]]])
print(g)

# tensor([[[1., 2.],
#         [3., 4.]],
#
#        [[5., 6.],
#         [7., 8.]]])

我们可以用.shape方法查看张量的形状。

print(f.shape)
# torch.Size([2, 2])

print(e.shape)
# torch.Size([3, 2])

print(g.shape)
# torch.Size([2, 2, 2])

6. 操作张量中的元素

我们已经创建了一些张量，让我们看看如何访问张量中的元素。这与Numpy数组元素的操作是类似的。
首先，让我们看看如何访问1D张量（即向量）中的元素。

# Get element at index 2
print(c[2])

# tensor(3.)

对于2D或3D张量呢？访问张量中的一个特定元素，我们需要指定等于张量维数的索引。因此对于一维张量c，只需要指定一个索引。

# All indices starting from 0

# Get element at row 1, column 0
print(f[1,0])
# We can also use the following
print(f[1][0])

# tensor(3.)

# Similarly for 3D Tensor
print(g[1,0,0])
print(g[1][0][0])

# tensor(5.)

如果要访问2D张量中的一整行，可以用通配符’:’实现，具体语法与Numpy数组的方法相同。

# All elements
print(f[:])

# All elements from index 1 to 2 (inclusive)
print(c[1:3])

# All elements till index 4 (exclusive)
print(c[:4])

# First row
print(f[0,:])

# Second column
print(f[:,1])

7. 指定张量元素的数据类型

PyTorch在创建张量时要确定张量元素的数据类型，所有张量元素都使用相同的数据类型。我们可以在创建张量时指定数据类型。

int_tensor = torch.tensor([[1,2,3],[4,5,6]])
print(int_tensor.dtype)

# torch.int64

# What if we changed any one element to floating point number?
int_tensor = torch.tensor([[1,2,3],[4.,5,6]])
print(int_tensor.dtype)

# torch.float32

print(int_tensor)

# tensor([[1., 2., 3.],
#        [4., 5., 6.]])


# This can be overridden as follows
int_tensor = torch.tensor([[1,2,3],[4,5,6]], dtype=torch.int32)
print(int_tensor.dtype)

# torch.int32
print(int_tensor)

# tensor([[1, 2, 3],
#        [4, 5, 6]], dtype=torch.int32)

8. 张量（Tensor）与Numpy数组的转换

PyTorch张量与Numpy数组非常相似，这两种数据结构如何相互转换呢？

# import NumPy
import numpy as np

# Tensor to Array
f_numpy = f.numpy()
print(f_numpy)

# array([[1., 2.],
#       [3., 4.]], dtype=float32)

# Array to Tensor
h = np.array([[8,7,6,5],[4,3,2,1]])
h_tensor = torch.from_numpy(h)
print(h_tensor)

# tensor([[8, 7, 6, 5],
#        [4, 3, 2, 1]])

9. 张量（Tensor）的算术操作

让我们看看如何对PyTorch张量执行算术运算。

# Create tensor
tensor1 = torch.tensor([[1,2,3],[4,5,6]])
tensor2 = torch.tensor([[-1,2,-3],[4,-5,6]])
 
# Addition
print(tensor1+tensor2)
# We can also use
print(torch.add(tensor1,tensor2))
 
# tensor([[ 0,  4,  0],
#        [ 8,  0, 12]])
 
# Subtraction
print(tensor1-tensor2)
# We can also use
print(torch.sub(tensor1,tensor2))
 
# tensor([[ 2,  0,  6],
#        [ 0, 10,  0]])
 
# Multiplication
# Tensor with Scalar
print(tensor1 * 2)
# tensor([[ 2,  4,  6],
#        [ 8, 10, 12]])
 
# Tensor with another tensor
# Elementwise Multiplication
print(tensor1 * tensor2)
# tensor([[ -1,   4,  -9],
#        [ 16, -25,  36]])
 
# Matrix multiplication
tensor3 = torch.tensor([[1,2],[3,4],[5,6]])
print(torch.mm(tensor1,tensor3))
# tensor([[22, 28],
#        [49, 64]])
 
# Division
# Tensor with scalar
print(tensor1/2)
# tensor([[0, 1, 1],
#        [2, 2, 3]])
 
# Tensor with another tensor
# Elementwise division
print(tensor1/tensor2)
# tensor([[-1,  1, -1],
#        [ 1, -1,  1]])

10. 张量（Tensor）的存储设备：CPU v/s GPU

PyTorch为CPU和GPU提供了不同的张量实现。每个张量都可以从CPU转移到GPU，以便执行大规模并行、快速的计算。这将使对张量执行的所有操作都将由GPU设备的程序来执行。
如果你的设备不支持访问GPU，你可以在Google Colab上执行这些例程（选择GPU运行）。
我们先看看如何创建GPU设备上的张量。

# Create a tensor for CPU
# This will occupy CPU RAM
tensor_cpu = torch.tensor([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]], device='cpu')

# Create a tensor for GPU
# This will occupy GPU RAM
tensor_gpu = torch.tensor([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]], device='cuda')

如果使用Google Colab，请注意右上角的RAM消耗量。创建tensor_GPU后，GPU RAM消耗量将增大。定义在CPU和GPU设备上的张量进行运算时，也将会分别消耗指定设备所对应的RAM。

# This uses CPU RAM
tensor_cpu = tensor_cpu * 5
 
# This uses GPU RAM
# Focus on GPU RAM Consumption
tensor_gpu = tensor_gpu * 5

需要注意的是，GPU设备上的张量在操作中没有信息流到CPU（除非我们访问GPU张量）。
当然，我们可以将GPU张量移动到CPU，或者将CPU张量移动到GPU，如下所示。

# Move GPU tensor to CPU
tensor_gpu_cpu = tensor_gpu.to(device='cpu')

# Move CPU tensor to GPU
tensor_cpu_gpu = tensor_cpu.to(device='cuda')

简单回顾一下，我们在本文中讨论了PyTorch，它的独特性以及你为什么要学习它。我们还深入讨论了PyTorch的工作流程和PyTorch张量数据类型。