动手学DL——深度学习预备知识随笔【深度学习】【PyTorch】

文章目录

  • 2、预备知识
    • 2.1、数据操作
    • 2.2、线性代数&矩阵计算
    • 2.3、导数
    • 2.4、基础优化方法

2、预备知识

2.1、数据操作

动手学DL——深度学习预备知识随笔【深度学习】【PyTorch】_第1张图片

batch:以图片数据为例,一次读入的图片数量。

小批量样本可以充分利用GPU进行并行计算提高计算效率。

  • 数据访问

    数组:np.array To pd.Series To torch.tensor

动手学DL——深度学习预备知识随笔【深度学习】【PyTorch】_第2张图片

  • 二维张量的写法

    a = torch.ones(4,9)
    a = torch.ones((4,9))#李沐老师
    
    a = torch.arange(36).reshape(4,9)
    a = torch.arange(36).reshape((4,9))#李沐老师
    

    多加一个括号,结果都是一致的,都是表示二维张量,张量形状都是(4,9),所以二维有两种写法,但再加一层括号,形状就变成了(1,4,9)三维,判断维数技巧:最外面的括号去掉开始数,比如:

    a = torch.ones((((((4,9)))))) 
    

    这个形状是(1,1,1,1,1,4,9)

  • 将多个张量沿指定的维度进行连接

    torch.cat(inputs, dim=0, out=None)
    
    • inputs:一个或多个输入张量(可以是相同形状的多个张量)。
    • dim:指定的连接维度,默认为0。
    • out:输出的张量,默认为None
  • 不同形状向量相加广播机制(broadcasting mechanism)【必须同纬度】

    a = torch.arange(3).reshape(3,1)
    b = torch.arange(2).reshape(1,2)
    a + b
    

    ( 0 1 2 ) − > ( 0 0 1 1 2 2 ) \begin{pmatrix} 0 \\ 1 \\ 2\\ \end{pmatrix} ->\begin{pmatrix} 0 & 0 \\ 1 & 1\\ 2 & 2\\ \end{pmatrix} 012 > 012012

    ( 0 1 ) − > ( 0 1 0 1 0 1 ) \begin{pmatrix} 0 &1 \end{pmatrix} ->\begin{pmatrix} 0 & 1 \\ 0 & 1\\ 0 & 1\\ \end{pmatrix} (01)> 000111

    ( 0 0 1 1 2 2 ) + ( 0 1 0 1 0 1 ) = ( 0 1 1 2 2 3 ) \begin{pmatrix} 0 & 0 \\ 1 & 1\\ 2 & 2\\ \end{pmatrix} + \begin{pmatrix} 0 & 1 \\ 0 & 1\\ 0 & 1\\ \end{pmatrix} =\begin{pmatrix} 0 & 1 \\ 1 & 2\\ 2 & 3\\ \end{pmatrix} 012012 + 000111 = 012123

    向量|张量相加得到了意外的结果,可以考虑是不是误将不同形状的向量相加了,触发了广播机制。

  • 使用sum求和(沿某个轴方向 axis )

    axis = ?意味着把那一维压缩

    动手学DL——深度学习预备知识随笔【深度学习】【PyTorch】_第3张图片

    keepdims=True 表示保持求和结果的维度和原数组一致。保持维度一致通常是为了方便后续的运算或对结果的处理。

    a.sum(axis=0,keepdims=True).shape,a.sum(axis=0,keepdims=True)
    

    (torch.Size([1, 5, 4]),
    tensor([[[2., 2., 2., 2.],
    [2., 2., 2., 2.],
    [2., 2., 2., 2.],
    [2., 2., 2., 2.],
    [2., 2., 2., 2.]]]))

    这里keepdims=True和广播有很好的搭配效果。每一个元素/sum,维度同但形状不同,广播,维度同形状也同,可以执行。

  • 复制,可能会导致开辟新内存

    before = id(y)
    x = x + y
    id(y) == before
    

    False

    执行原地操作的两种方式:

    x[:] = x + y 
    
    x += y
    

    注意

    b[:] = a;#类似于view b变a也一起变,这种写法实际使用时b不轻易改变
    

    避免大张量的过度复制,减少内存开销。

    z = X.clone()#Z得到一个X的副本
    
  • numpy 转 torch ,反之不可行

    a  = x.numpy()
    b = torch.tensor(a)
    type(a),type(b)
    

    (numpy.ndarray, torch.Tensor)

    在jupyter 中一次性输出多个内容使用逗号间隔实现

  • 将大小为1的张量转换为 Python标量

    使用 item(),或者强制类型转换实现

    a = torch.tensor([3.5])
    a,a.item(),float(a),int(a)
    

    (tensor([3.5000]), 3.5, 3.5, 3)

  • pandas读入,再缺失值处理,转为torch张量的过程

    import pandas as pd
    data = pd.read_csv(data_file)
    

    缺失值处理:插值法 or 删除

    inputs, outputs = data.iloc[:,0:2],data.iloc[:,2]
    inputs = inputs.fillna(inputs.mean())
    inputs = pd.get_dummies(inputs, dummy_na =True)
    

    pd.get_dummies()函数将输入的数据集inputs中的每个分类变量【不是数值的,比如字符串值】都拆分为多个二进制变量,每个变量表示一种可能的分类。dummy_na=True参数表示要在创建虚拟变量时包含对缺失值的处理【把NaN也视为一类情况】。

    import torch 
    X,y = torch.tensor(inputs.values),torch.tensor(outputs.values)
    X,y
    

2.2、线性代数&矩阵计算

  • 乘法(矩阵乘向量)

    c = A b     w h e r e     c i = ∑ i A i j b j c = Ab \ \ \ where \ \ \ c_i = \sum_i A_{ij}b_j c=Ab   where   ci=iAijbj

  • 乘法(矩阵乘矩阵)

    C = A B     w h e r e     C i k = ∑ j A i j B j k C = AB\ \ \ where\ \ \ C_{ik} = \sum_j A_{ij}B_{jk} C=AB   where   Cik=jAijBjk

  • 求范数

    向量的模推广到矩阵,范数就是‘矩阵的模’。

    ∣ ∣ a ∣ ∣ 2 = [ ∑ i = 1 m a i 2 ] 1 2 ||a||_2 =[\sum_{i=1}^ma_i^2]^{\frac{1}{2}} ∣∣a2=[i=1mai2]21

    下面是计算张量的2范数|F范数【Frobenius范数】:

    torch.norm(torch.ones((4,9)))
    

    ∣ ∣ A ∣ ∣ F r o b = [ ∑ i j A i j 2 ] 1 2 ||A||_{Frob} =[\sum_{ij}A_{ij}^2]^{\frac{1}{2}} ∣∣AFrob=[ijAij2]21

2.3、导数

用的少。pytorch 实现了自动微分计算自动求导。

  • 压导数

    将导数拓展到不可微的函数。

    动手学DL——深度学习预备知识随笔【深度学习】【PyTorch】_第4张图片

  • 计算图

    张量的计算通常会生成计算图。当你执行张量操作时,例如加法、乘法、矩阵乘法、激活函数等,这些操作会被记录到计算图中。计算图是一个有向无环图(DAG),其中节点表示张量操作,边表示操作之间的依赖关系。

    自动求导的两种模式

    链式法则: ∂ y ∂ x = ∂ y ∂ u n ∂ u n ∂ u n − 1 . . . ∂ u 2 ∂ u 1 ∂ u 1 ∂ x \frac{∂y}{∂x}=\frac{∂y}{∂u_n}\frac{∂u_n}{∂u_{n-1}}...\frac{∂u_2}{∂u_1}\frac{∂u_1}{∂x} xy=unyun1un...u1u2xu1

    • 正向积累 ∂ y ∂ x = ∂ y ∂ u n ( ∂ u n ∂ u n − 1 ( . . . ( ∂ u 2 ∂ u 1 ∂ u 1 ∂ x ) ) ) \frac{∂y}{∂x}=\frac{∂y}{∂u_n}(\frac{∂u_n}{∂u_{n-1}}(...(\frac{∂u_2}{∂u_1}\frac{∂u_1}{∂x}))) xy=uny(un1un(...(u1u2xu1)))

    • 反向积累、又称反向传递 ∂ y ∂ x = ( ( ( ∂ y ∂ u n ∂ u n ∂ u n − 1 ) . . . ) ∂ u 2 ∂ u 1 ) ∂ u 1 ∂ x \frac{∂y}{∂x}=(((\frac{∂y}{∂u_n}\frac{∂u_n}{∂u_{n-1}})...)\frac{∂u_2}{∂u_1})\frac{∂u_1}{∂x} xy=(((unyun1un)...)u1u2)xu1

      反向传播逻辑与高数手写复合函数求导完全一致。

      动手学DL——深度学习预备知识随笔【深度学习】【PyTorch】_第5张图片

    求导和反向传播:计算图可以帮助自动计算函数的导数,特别是在深度学习中的反向传播算法中。通过在计算图中计算每个节点的梯度,可以从输出端反向传播梯度到输入端,以便优化模型的参数。

    x.requires_grad_(True)#使用requires_grad=True参数来指定需要对其求导,计算时会存储梯度
    x.grad#访问梯度,目前未计算是空的
    
    y = 2 * torch.dot(x,x )#内积
    y
    

    tensor(28., grad_fn=)

    y.backward()#求导
    x.grad
    

    tensor(28., grad_fn=)

    x.grad == 4 * x#判断 导数是不是 4x
    

    tensor([True, True, True, True])

    x.grad.zero_()#默认情况pytorch会累积梯度,需要清除之前的值。
    y = x.sum()# y =x1+x2+x3+...
    y.backward()
    y,x.grad
    

    (tensor(6., grad_fn=), tensor([1., 1., 1., 1.]))


    非标量调用 backward,需要传入 gradient 参数

    【在PyTorch中,反向传播(backward)函数用于计算非标量张量的梯度。当计算标量的梯度时,PyTorch会自动计算并传播梯度,而无需明确传入梯度参数。然而,当处理非标量张量时,需要手动传入梯度参数。】

x.grad.zero_()
y = x * x
#等价于 y.backword(torch.ones(len(x)))
y.sum().backward()
y,x.grad


>#### (tensor([0., 1., 4., 9.], grad_fn=\), tensor([0., 2., 4., 6.]))

>`y.sum().backward()` 是使用 PyTorch 的自动微分功能进行反向传播。它计算了 `y` 张量的和,并通过链式法则将梯度传播回各个输入张量。这里的输入张量是 `x`。


~~~python x.grad.zero_() y =x * x #由于 y 是通过对 x 进行元素级乘法实现的(y = x * x),因此 y 对于每个元素 x[i] 的梯度是 2 * x[i] u = y.detach() #用于将张量 y 从计算图中分离出来,并且将其梯度信息置为无。这样做的目的是防止梯度回传时对 u 的梯度计算,从而实现对 u 的一种冻结。通常,当希望保留某个张量的值,但不想在反向传播过程中计算它的梯度时,就会使用 detach() 方法。通过将张量分离并赋给一个新的变量,在接下来的计算过程中使用这个新变量 u,而且它的梯度会被忽略,从而实现参数冻结或临时截断梯度流的目的。 z = u *x z.sum().backward() x.grad == u

tensor([True, True, True, True])

2.4、基础优化方法

  • 梯度计算往往是深度学习中成本最贵的。

  • 小批量随机梯度下降是深度学习默认的求解方法。

  • 两个重要的超参数是 批量大小和学习率。

你可能感兴趣的:(Python,深度学习,深度学习,pytorch,人工智能)