pytorch自带网络_【方家之言】一篇长文学懂 pytorch
作為目前越來越受歡迎的深度學(xué)習(xí)框架，pytorch 基本上成了新人進(jìn)入深度學(xué)習(xí)領(lǐng)域最常用的框架。相比于 TensorFlow，pytorch 更易學(xué)，更快上手，也可以更容易的實現(xiàn)自己想要的 demo。今天的文章就從 pytorch 的基礎(chǔ)開始，幫助大家實現(xiàn)成功入門。
首先，本篇文章需要大家對深度學(xué)習(xí)的理論知識有一定的了解，知道基本的 CNN，RNN 等概念，知道前向傳播和反向傳播等流程，畢竟本文重點是一篇實操性的教程。
其次，這篇文章我更想從一個總體性的視角展開，大家在學(xué)習(xí)的過程中更注重的應(yīng)該是在接觸新知識時，如何設(shè)計學(xué)習(xí)路線的一種思路分享。這種思路不一定適合所有人，但是肯定可以對你有所借鑒，你也可以基于此總結(jié)出來更適合自己的方法。
接下來我們從以下幾個步驟去幫助大家入門 pytorch 的實戰(zhàn)教程。
1. 開始一個簡單的分類器2. 在 MNIST 上實現(xiàn)一個 cnn3. 常用網(wǎng)絡(luò)層介紹4. tensorboard 可視化5. 以 vgg 為例實現(xiàn)深層網(wǎng)絡(luò)的一些小技巧6. GPU 加速和保存加載模型7. RNN 和 LSTM 實現(xiàn)分類和回歸番外: 一個并行生成數(shù)據(jù)的例子告訴你，pytorch 未來的路該怎么做這八個步驟，對應(yīng)了我的八篇學(xué)習(xí)筆記的文章，本文是從一個串講的思路來介紹學(xué)習(xí)路徑，對應(yīng)步驟的更多細(xì)節(jié)會在具體的文章中展示。在每個步驟介紹的最后和全文的結(jié)尾，我們也會給出文章的鏈接，大家可以針對性食用~
1. 開始一個簡單的分類器
我個人在學(xué)習(xí)一門新語言，一個新框架，一個新技術(shù)時，最優(yōu)先要保證的就是成就感反饋。以學(xué)習(xí) pytorch 為例，很多教程從張量開始。我自己也按照這種教程學(xué)習(xí)過，的確內(nèi)容非常全盡，但是有兩個原因，我自己不太推薦以這種方式入門：1)前期學(xué)習(xí)過于枯燥，沒有成就感；2)有的知識內(nèi)容屬于深度學(xué)習(xí)的基本功，過于贅述。
所以我覺得入門一個新知識的知識，最好是先搭起來結(jié)構(gòu)，然后再去慢慢補充細(xì)節(jié)。因此我在這篇文章的第一部分，先選擇構(gòu)建一個簡單的分類器，讓大家知道一個 pytorch 下的代碼流程應(yīng)該是什么樣子。
學(xué)過 c 語言的朋友肯定知道，我們先學(xué)第一個代碼的時候，肯定是先來一個 hello world，而不是去研究第一行的 #include。
對于第一個 pytorch 程序而言，我們要做的是首先跑通整個流程，如果是一個簡單的分類器，數(shù)據(jù)集也就不能太復(fù)雜。因此，我們從三方面考慮：1)自定義生成一些點，分為兩類；2)學(xué)習(xí)如何構(gòu)建一個淺層的神經(jīng)網(wǎng)絡(luò)；3)嘗試 pytorch 中的訓(xùn)練和測試過程。
1.1 自定義生成數(shù)據(jù)集
首先，自定義生成我們的數(shù)據(jù)集。利用 torch 自帶的 zeros，ones 這些方法，我們生成一些隨機的點，分為兩類。比如分別以(2，2)和(-2，-2)為均值，隨機生成一些隨機數(shù)，作為兩類，這樣子我們就得到了我們想要的數(shù)據(jù)集。
1.2 學(xué)會構(gòu)建網(wǎng)絡(luò)的流程
其次，就是構(gòu)建一個淺層的神經(jīng)網(wǎng)絡(luò)，這里我們給出一個代碼示例，大家了解一下最基礎(chǔ)的 pytorch 的網(wǎng)絡(luò)應(yīng)該如何構(gòu)建：
class Net(torch.nn.Module): ? ?def __init__(self, n_feature, n_hidden, n_output): ? ? ? ?super(Net, self).__init__() ? ? ? ?self.n_hidden = torch.nn.Linear(n_feature, n_hidden) ? ? ? ?self.out = torch.nn.Linear(n_hidden, n_output) ? ?def forward(self, x_layer): ? ? ? ?x_layer = torch.relu(self.n_hidden(x_layer)) ? ? ? ?x_layer = self.out(x_layer) ? ? ? ?x_layer = torch.nn.functional.softmax(x_layer) ? ? ? ?return x_layernet = Net(n_feature=2, n_hidden=10, n_output=2)# print(net)optimizer = torch.optim.SGD(net.parameters(), lr=0.02)loss_func = torch.nn.CrossEntropyLoss()這個 Net 類，就是我們構(gòu)建的代碼框架，用它生成的對象就是一個我們可以用來訓(xùn)練和測試的網(wǎng)絡(luò)。這個類中，初始化函數(shù)中表示了每個網(wǎng)絡(luò)層的結(jié)構(gòu)設(shè)置，而 forward() 方法表示了每個層之間的交互順序和關(guān)系。
而 optimizer 就是優(yōu)化器，包含了需要優(yōu)化的參數(shù)有哪些，loss_func 就是我們設(shè)置的損失函數(shù)。
這個就像我們寫一個 hello，world 一樣，我們只需要知道自己該如何構(gòu)造一個網(wǎng)絡(luò)。當(dāng)我們需要調(diào)整的時候，就將其中對應(yīng)的模塊替換掉。
1.3 訓(xùn)練與測試
接下來就是訓(xùn)練與測試的階段。訓(xùn)練我們需要知道三句代碼是核心：
optimizer.zero_grad() ? ?loss.backward() ? ?optimizer.step()這里的核心思路是，梯度清空，反向傳播，參數(shù)更新。分別對應(yīng)了這三句代碼的作用。在pytorch 中，梯度會保留，所以需要用 zero_grad() 來清空，然后利用損失函數(shù)反向傳播計算梯度，最后就是用我們定義的優(yōu)化器將每個需要優(yōu)化的參數(shù)進(jìn)行更新。
測試階段就很簡單了，直接將輸入丟進(jìn)去就可以看到預(yù)測結(jié)果。現(xiàn)在我們重新隨機生成一些數(shù)據(jù)點作為測試集，可以看到訓(xùn)練集對它的分類結(jié)果就很明顯。
至此，我們就完成了一個對于簡單分類器的描述。當(dāng)然，如果你對前面的文章沒有任何了解，可能會覺得這部分不夠入門。那么可以看一下我的第一篇筆記：pytorch學(xué)習(xí)筆記(1)：開始一個簡單的分類器，這里詳細(xì)的介紹了如何實現(xiàn)一個簡單分類器的細(xì)節(jié)介紹。
2. 在 MNIST 上實現(xiàn)一個 cnn
完成了一個線性分類器后，我們的學(xué)習(xí)路線應(yīng)該是什么樣子呢？我覺得比較合適的做法是先改動 “hello，world” 的部分，讓我們看看把最直觀的部分進(jìn)行修改，會有哪些變化。并且可以得到很直接的成就反饋。
做深度學(xué)習(xí)，肯定最熟悉的就是 CNN 做圖片分類。在一張圖片上，通過卷積來一層層的提取特征，最終實現(xiàn)分類的效果。那么我們既然已經(jīng)知道如何實現(xiàn)一個分類器，接下來就來看看如何用 CNN 完成圖片的分類。
這里的數(shù)據(jù)集我們選擇 mnist，是大家經(jīng)常用來作為入門的圖片分類數(shù)據(jù)集，內(nèi)容是各種手寫數(shù)字的展示。在安裝 torch 的時候，大家參考的教程一般也會推薦安裝 torchvision。在這個之中給出了一個 dataset 的集合，其中包括了各種各樣的常見數(shù)據(jù)集，mnist 自然也是其中之一。
對于這些數(shù)據(jù)集的使用方法，主要是 root，transform 等幾個參數(shù)，并不是很難。然后對應(yīng)的有一個 torch.data 中的 DataLoader 方法，可以用來讓數(shù)據(jù)按自己想要的 batch 生成。具體的如何并行式生成數(shù)據(jù)，在本文的最后一部分會進(jìn)行介紹。這里我們只需要知道可以使用 DataLoader 并行式按批生成數(shù)據(jù)。
核心的是如何構(gòu)建一個 CNN 網(wǎng)絡(luò)。我們前面學(xué)會了分類器，只使用了一個隱藏層進(jìn)行 embedding 操作就可以了。那么如果要實現(xiàn) CNN，我們自然要加入卷積層，激活層，池化層這些操作。
class CNN(nn.Module): ? ?def __init__(self): ? ? ? ?super(CNN, self).__init__() ? ? ? ?self.conv1 = nn.Sequential( ? ? ? ? ? ?nn.Conv2d( ? ? ? ? ? ? ? ?in_channels=1, ? ? ? ? ? ? ? ?out_channels=16, ? ? ? ? ? ? ? ?kernel_size=5, ? ? ? ? ? ? ? ?stride=2, ? ? ? ? ? ? ? ?padding=2, ? ? ? ? ? ?), ? ? ? ? ? ?nn.ReLU(), ? ? ? ? ? ?nn.MaxPool2d(2) ? ? ? ?) ? ? ? ?self.conv2 = nn.Sequential( ? ? ? ? ? ?nn.Conv2d(16, 32, 5, 1, 2), ? ? ? ? ? ?nn.ReLU() ? ? ? ?) ? ? ? ?self.out = nn.Linear(32 * 7 * 7, 10) ? ?def forward(self, x): ? ? ? ?x = self.conv1(x) ? ? ? ?x = self.conv2(x) ? ? ? ?x = x.view(x.size(0), -1) ? ? ? ?output = self.out(x) ? ? ? ?return output所以按照這個樣子，我們就可以改造前面簡單分類器的結(jié)構(gòu)，生成我們現(xiàn)在的 CNN 結(jié)構(gòu)。從代碼中可以看到，將第一個卷積層設(shè)計為：卷積+激活+最大池化；第二個卷積層設(shè)計為：卷積+激活。最后跟上一個全連接層，實現(xiàn)整個 CNN 的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計。
最終的網(wǎng)絡(luò)運行結(jié)果可以對 mnist 數(shù)據(jù)集達(dá)到 97% 以上的分類精度，可見 CNN 在圖片分類領(lǐng)域的確有獨到的優(yōu)勢。
現(xiàn)在我們通過適當(dāng)?shù)母脑鞂崿F(xiàn)了一個 CNN 在圖片分類上的應(yīng)用，具體的更多細(xì)節(jié)可以參考：pytorch學(xué)習(xí)筆記(2)：在 MNIST 上實現(xiàn)一個 cnn
那么在完成了這一步的操作后，我們可能需要思考一點：如果我自己想去做一些更自定義的網(wǎng)絡(luò)結(jié)構(gòu)出來，該如何實現(xiàn)呢？我又怎么知道去修改哪里，以及修改成什么樣子呢？所以接下來需要了解的是 torch 都提供了哪些集成好的常用網(wǎng)絡(luò)層。
3. 常用網(wǎng)絡(luò)層介紹
通過兩個遞進(jìn)的例子，我們已經(jīng)知道了該如何實現(xiàn)一個基本的 CNN 網(wǎng)絡(luò)結(jié)構(gòu)。但是如前面提到的問題一樣，如果想改某一部分，應(yīng)該怎么改呢？
所以從學(xué)習(xí)的角度出發(fā)的話，現(xiàn)在應(yīng)該考慮的是介紹常用的網(wǎng)絡(luò)層都有哪些。然后我們就可以(成為一個調(diào)包俠。哈哈，入門肯定要從調(diào)包開始嘛~)開始針對自己想要設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)選擇合適的模塊啦~
在這部分我們從以下幾個方面去對 pytorch 提供的網(wǎng)絡(luò)層進(jìn)行了介紹：
卷積層：自帶了一維，二維，三維等卷積函數(shù)；池化層：可選的有最大池化，平均池化等；Dropout：有一維，二維等選擇；BN層：是否加入 BN 層的操作；激活函數(shù)：elu，relu，sigmoid，tanh，softmax 等層可供選擇；損失函數(shù)：mse，CrossEntropy 等可供選擇。總體來說這部分內(nèi)容，我簡單的給一個大綱，就不過多贅述了，具體的每部分的細(xì)節(jié)參數(shù)設(shè)置，以及一些幫助大家理解的實例都可以在這篇文章中進(jìn)一步查看：pytorch學(xué)習(xí)筆記(3)：常用網(wǎng)絡(luò)層介紹。
4. tensorboard 可視化
現(xiàn)在我們具備了初步構(gòu)建自定義網(wǎng)絡(luò)結(jié)構(gòu)的能力，也可以完成在自帶數(shù)據(jù)集上進(jìn)行訓(xùn)練和測試的操作。那么如何讓我們對訓(xùn)練過程中的性能有一個更直觀的認(rèn)識呢？對網(wǎng)絡(luò)結(jié)構(gòu)如何進(jìn)行可視化呢？數(shù)據(jù)集的內(nèi)容是什么樣子的？
這些功能我們都可以用一個名為 tensorboard 的工具來實現(xiàn)，這個工具在 TensorFlow 中也很常用。
如何學(xué)習(xí)使用 tensorboard 呢？這部分我們建議從如下幾個步驟去進(jìn)行：首先舉一個簡單的例子，讓代碼示例跑起來；然后將整個訓(xùn)練過程可視化出來；最后再展示如何可視化數(shù)據(jù)集的內(nèi)容以及網(wǎng)絡(luò)結(jié)構(gòu)流程。
4.1 run一個例子
這里我們選擇先運行一個官方教程給出的例子，了解如何使用 tensorboard 的基本流程：
from torch.utils.tensorboard import SummaryWriterwriter = SummaryWriter()x = range(100)for i in x: ? ?writer.add_scalar('y=2x', i * 2, i)writer.close()從這個流程中我們可以看到，引入了一個 SummaryWriter 類，然后生成一個 writer 對象，在 for 循環(huán)中，每次調(diào)用 add_scalar() 方法，往進(jìn)添加內(nèi)容。
在完成這個代碼后，如果我們在終端中輸入：
tensorboard --logdir='runs'我們會得到一副 y=2x 的斜線，這就相當(dāng)于揭示了 tensorboard 的本質(zhì)。每次將一個值傳入 ‘runs’ 文件夾中的文件中，然后在終端中去調(diào)用保存的數(shù)據(jù)，產(chǎn)生我們想要的圖形。
這一步我們主要是理解上面的這個流程，那么我們就來看看該怎么替換想要換掉的模塊，來生成我們想要生成的圖形。
4.2 可視化 CNN 的訓(xùn)練數(shù)據(jù)
前面第二部分，我們定義了一個 CNN 來實現(xiàn)對圖片的分類效果。那么在訓(xùn)練過程中的 accuracy 和 loss 是如何變化的呢？
output = cnn(b_x)loss = loss_func(output, b_y)optimizer.zero_grad()loss.backward()optimizer.step()if step % 50 == 0: ? ?test_output = cnn(test_x) ? ?pred_y = torch.max(test_output, 1)[1].data ? ? ? ? ? ? ? ?accuracy = float((pred_y == test_y.data.numpy()).astype(int).sum()) / float(test_y.size(0)) ? ?writer.add_scalar("Train/Accuracy", accuracy, step)writer.add_scalar("Train/Loss", loss.item(), step)這里我們可以看出來是訓(xùn)練部分的內(nèi)容，只是在后面加上了我們前面的一個步驟：添加了兩行 add_scalar() 方法。其實就是訓(xùn)練時每隔 50 步都進(jìn)行一次測試，并將測試結(jié)果記錄下來，并且每一步的 loss 也都會保存下來。
所以到最后，我們在終端中輸入上面提到的：tensorboard —logdir=dir，就可以看到下面這幅圖：
4.3 圖片和模型的可視化
除了上面對數(shù)值的記錄，tensorboard 還提供了諸如圖片和模型等的可視化，相比于使用 add_scalar()，這里我們使用 add_image() 和 add_graph() 來實現(xiàn)對應(yīng)的功能。
add_image() 對圖片數(shù)據(jù)進(jìn)行保存，每次輸入一個 batch 的數(shù)據(jù)，也就是說 batch 有多大，其實相當(dāng)于可視化了多少的 image。
add_graph() 則是對模型結(jié)構(gòu)的保存，在可視化的時候，就可以對這些內(nèi)容進(jìn)行自動展示。
這里我們主要是介紹概括性的方法與學(xué)習(xí)流程，具體的關(guān)于 tensorboard 的內(nèi)容，每個方法的參數(shù)設(shè)置，包括數(shù)據(jù)保存的路徑等內(nèi)容，大家可以進(jìn)一步參考：pytorch學(xué)習(xí)筆記(4)：tensorboard 可視化。
5. vgg 及一些 tricks
這一部分的內(nèi)容就比較簡單了，找一個比較經(jīng)典的深層網(wǎng)絡(luò)來實現(xiàn)一下，驗證一下我們之前的基礎(chǔ)。此外，再介紹一種方法來簡化深層網(wǎng)絡(luò)的構(gòu)造方法。
首先實現(xiàn)一個 vgg 本身并沒有太多難度，我們看一看 paper，就可以知道網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)置。我們不拘泥于 vgg，而是說一個深層次的網(wǎng)絡(luò)的構(gòu)成。
實現(xiàn)一個長的網(wǎng)絡(luò)，本質(zhì)上還是按照前面的思路，一層層的把網(wǎng)絡(luò)堆疊起來。我們先看使用 Sequential 構(gòu)建一個卷積層的樣子：
這是一層的網(wǎng)絡(luò)樣子，我們根據(jù)自己要實現(xiàn)的網(wǎng)絡(luò)定義，比如參考 vgg 的 paper 內(nèi)容，定義了卷積層的各個參數(shù)，加上 BN 層，加上 relu 進(jìn)行激活。
整體就是我們定義好的一層，其它層以此類推，用我們前面介紹的常用網(wǎng)絡(luò)層就可以像搭積木一樣，把它們搭建起來。
所以按照前面的教程思路，一個深層的神經(jīng)網(wǎng)絡(luò)，例如 vgg，本質(zhì)上是可以通過簡單的堆疊來實現(xiàn)的。最后我們在 forward 函數(shù)中，定義好如下內(nèi)容：
def forward(self, x): ? ?x = self.conv1(x) ? ?x = self.conv2(x) ? ?x = self.conv3(x) ? ?x = self.conv4(x) ? ?x = self.conv5(x) ? ?x = self.conv6(x) ? ?x = self.conv7(x) ? ?x = self.conv8(x) ? ?x = self.conv9(x) ? ?x = self.conv10(x) ? ?x = self.conv11(x) ? ?x = self.conv12(x) ? ?x = self.conv13(x) ? ?x = x.view(x.size(0), -1) ? ?output = self.out(x) ? ?return output可以看到從內(nèi)容上就是前面的 CNN 的擴展，沒有技術(shù)上的新東西。但是也顯然易見，有點丑陋，寫這么長個 forward，而且還看起來都是重復(fù)的東西，程序員當(dāng)然不能容忍重復(fù)的內(nèi)容一直出現(xiàn)。
所以這里分為兩步我們?nèi)タ紤]如何簡化一個模型：sequential 以 list 的形式輸入各層的網(wǎng)絡(luò)結(jié)構(gòu)；更加方便的生成各層網(wǎng)絡(luò)結(jié)構(gòu)的 list。具體的意思是什么呢？我們簡單的展開來講一下。
對一個網(wǎng)絡(luò)的設(shè)置而言，我們使用 Sequential 來定義我們想要的一層網(wǎng)絡(luò)。這里的一層往往指代卷積+激活+池化等，當(dāng)然不固定是這樣子。換句話說，一個 Sequential 里面本身就定義了不止一個網(wǎng)絡(luò)，那么我們是否可以將所有網(wǎng)絡(luò)都放到一個 Sequential 里面來？答案是可以的！
對于一個 Sequential，我們可以將所有的網(wǎng)絡(luò)結(jié)構(gòu)都輸入進(jìn)去，以動態(tài)參數(shù)的方式。也就是說，我們讓 Sequential 的輸入是這個形式：*[網(wǎng)絡(luò)層1，網(wǎng)絡(luò)層2，…，網(wǎng)絡(luò)層n]。可以看到，是一個 list 前面加 *，就可以將 list 中的所有元素以參數(shù)的方式傳進(jìn)去。
但是這樣輸入進(jìn)來的參數(shù)，需要一個非常非常長的 list。在定義這個 list 的時候，顯得我們的模型更加難看。所以我們需要一個優(yōu)雅的方式，來生成這樣一個 list，其中的每個元素都是我們想要的網(wǎng)絡(luò)層結(jié)構(gòu)。所以我們介紹的生成方式就是下述代碼：
這里就可以很直接的看到，最終生成的 layers 這個 list，就是我們想要的內(nèi)容，其中包含了我們需要的每個網(wǎng)絡(luò)層結(jié)構(gòu)。在 for 循環(huán)中就是我們生成的方式，按照在參數(shù) cfg 中定義的內(nèi)容，依次往 layers 中添加我們需要的內(nèi)容。數(shù)字表示該卷積層的輸出通道，字母 ‘M' 表示最大池化。
可以看到，以這種方式，我們就可以通過只調(diào)整 cfg 這個 list，最終實現(xiàn)目標(biāo)的深層次的神經(jīng)網(wǎng)絡(luò)的設(shè)計。更詳細(xì)的介紹和設(shè)計，可以參考我們之前的學(xué)習(xí)筆記：pytorch學(xué)習(xí)筆記(5)：vgg 實現(xiàn)以及一些 tricks。
6. GPU 和如何保存加載模型
到了這一步，我們的網(wǎng)絡(luò)深度也加上來了，是時候考慮一下 GPU 加速的問題了。GPU 在深度學(xué)習(xí)中是無論如何也繞不過去的一個話題，好在 pytorch 在 GPU 的使用方面給了非常友好的接口，下面我們就看一下如何使用 GPU 加速，以及如何保存訓(xùn)練好的模型，到測試時再加載出來。
6.1 先看看 GPU 咋用吧
我們就來說一下 GPU 在 pytorch 中有多么簡單易用吧。首先如下簡單命令：
torch.cuda.is_available()這條命令可以判讀你是否安裝好了 GPU 版本的 pytorch，或者你的顯卡是否可以使用，如果結(jié)果顯示 True，那我們就可以進(jìn)行下一步了。
GPU 的使用在 pytorch 中，我們就記住三部分：遷移數(shù)據(jù)，遷移模型，遷回數(shù)據(jù)。
首先遷移數(shù)據(jù)是指，我們需要將數(shù)據(jù)遷移到 GPU 上，這個時候就體現(xiàn)出顯存的重要性，顯存越大，就可以往進(jìn)遷移的數(shù)據(jù)越多；
其次是遷移模型，也就是說將我們定義好的網(wǎng)絡(luò)模型也遷移到 GPU 上，這個時候就可以在 GPU 上對給定模型，利用遷移進(jìn)來的數(shù)據(jù)進(jìn)行訓(xùn)練和測試；
最后是遷回數(shù)據(jù)，也就是說將測試好的結(jié)果再返回 CPU，進(jìn)行下一步的其它處理，比如計算精度之類。
這里給一個小栗子來為大家看一下這三步：
# 指定好用的 GPU 設(shè)備，如果是單卡，一般就是 0.device = "cuda:0"# 遷移數(shù)據(jù)images = images.to(device)labels = labels.to(device)# 遷移網(wǎng)絡(luò)，將我們定義好的網(wǎng)絡(luò) cnn 遷移到 GPU 中。cnn.to(device)# 訓(xùn)練...# 測試... 生成測試結(jié)果 pred_y# 遷回數(shù)據(jù)，將 pred_y 再遷回 CPU。pred_y = pred_y.cpu()通過這個例子，我們可以很清晰的看到如何使用 GPU 完成我們上所述的三個步驟。只要保證了將這三部分加入到你的代碼中，中間的訓(xùn)練和測試依然保持原樣，我們就實現(xiàn)了利用 GPU 加速的目的。
6.2 訓(xùn)練好的模型如何保存和加載呢？
關(guān)于 pytorch 中的模型保存，一般有兩種途徑：只保存網(wǎng)絡(luò)參數(shù)，保存整個網(wǎng)絡(luò)。
首先要知道的一點是，在 pytorch 中所有的網(wǎng)路參數(shù)數(shù)據(jù)都是一個 dict，也就是網(wǎng)絡(luò)對象的 state_dict() 參數(shù)。那么我們?nèi)绻氡４嫦聛硇枰膬?nèi)容，其實在底層操作方面并不復(fù)雜。
現(xiàn)在來看如何保存模型，其實就一條語句：torch.save(content，path)，就可以將需要的 content 保存到目標(biāo)的 path 中。這里唯一的需要思考的是如何區(qū)分只保存網(wǎng)絡(luò)參數(shù)，還是保存整個網(wǎng)絡(luò)。
只保存網(wǎng)絡(luò)參數(shù)時，我們的 content 就是 cnn.state_dict()，如果保存整個網(wǎng)絡(luò)，content 就是 cnn。下面兩行代碼分別是只保存參數(shù)和保存整個網(wǎng)絡(luò)：
torch.save(cnn.state_dict(), PATH)torch.save(cnn, PATH)可以看到保存的方式非常方便，一個函數(shù)就可以完成。那么對應(yīng)的，讀取的方式是什么呢？
分別用兩個不同的方法來進(jìn)行讀取：load_state_dict() 和 load()。
只看名稱也可以想到前者是讀取參數(shù)，后者是讀取整個網(wǎng)絡(luò)。但是只讀取參數(shù)的話，我們需要提前定義好對應(yīng)的網(wǎng)絡(luò)對象，然后通過讀取參數(shù)的方式，為網(wǎng)絡(luò)的結(jié)構(gòu)中填充相應(yīng)的參數(shù)。
具體的如何使用 GPU 加速模型，如何存儲和讀取訓(xùn)練好的網(wǎng)絡(luò)，細(xì)節(jié)的代碼和例子可以看：pytorch學(xué)習(xí)筆記(6)：GPU 和如何保存加載模型。
7. RNN 回歸
前面我們介紹了 CNN 的創(chuàng)建方式，常用的網(wǎng)絡(luò)層，基于此的基礎(chǔ)上，又介紹了一些其它的相關(guān)操作，比如 GPU 加速等。現(xiàn)在我們來看系列教程的最后一部分，就是如何使用 RNN。
以 RNN 為例，我們構(gòu)建一個回歸器，以此來介紹 RNN 在 pytorch 中的使用方法，幫助大家入門 RNN 的操作過程。
7.1 RNN 參數(shù)
我們這里不再贅述 RNN 的定義和內(nèi)容，在本節(jié)后面的文章鏈接中，詳細(xì)的介紹了這一部分。我們在這里只說一下在 pytorch 中的 RNN 類可以設(shè)置的參數(shù)。
input_size：這個參數(shù)表示的輸入數(shù)據(jù)的維度。比如輸入一個句子，這里表示的就是每個單詞的詞向量的維度。hidden_size?：可以理解為在 CNN 中，一個卷積層的輸出維度一樣。這里表示將前面的 input_size 映射到一個什么維度上。num_layers：表示循環(huán)的層數(shù)。舉個栗子，將 num_layers 設(shè)置為 2，也就是將兩個 RNN 堆疊在一起，第一層的輸出作為第二層的輸入。默認(rèn)為 1。nonlinearity：這個參數(shù)對激活函數(shù)進(jìn)行選擇，目前 pytorch 支持 tanh 和 relu，默認(rèn)的激活函數(shù)是 tanh。bias：這個參數(shù)表示是否需要偏置項，默認(rèn)為 True。batch_first：這個是我們數(shù)據(jù)的格式描述，在 pytorch 中我們經(jīng)常以 batch 分組來訓(xùn)練數(shù)據(jù)。這里的 batch_size 表示 batch 是否在輸入數(shù)據(jù)的第一個維度，如果在第一個維度則為 True，默認(rèn)為 False，也就是第二個維度。dropout：這里就是對每一層的輸出是否加一個 dropout 層，如果參數(shù)非 0，那么就會加上這個 dropout 層。值得注意的是，對最后的輸出層并不會加，也就是這個參數(shù)只有在 num_layers 參數(shù)大于 1 的時候才有意義。默認(rèn)為 0。bidirectional：如果為 True，則表示 RNN 網(wǎng)絡(luò)為雙向結(jié)構(gòu)，默認(rèn)為 False。這些參數(shù)的給定，我們就可以輕松的去設(shè)置我們想要的 RNN 結(jié)構(gòu)。此處 input_size 和 hidden_size 是兩個必須傳入的參數(shù)，需要讓網(wǎng)絡(luò)知道將什么維度的輸入映射到什么維度上去。其余的參數(shù)都給了比較常用的默認(rèn)值。
7.2 回歸器：用 sin 預(yù)測 cos
在這里我們舉一個非常容易理解的例子。也不去折騰什么復(fù)雜數(shù)據(jù)集，我們同樣使用一個簡單的自定義數(shù)據(jù)集：sin 函數(shù)作為 data，cos 函數(shù)作為 label。因為重點是學(xué)習(xí) RNN 的使用，所以我們無需測試集，只看訓(xùn)練的擬合程度，判斷是否成功收斂就可以了。
首先給出來我們定義的 RNN 結(jié)構(gòu)，再對其中的細(xì)節(jié)進(jìn)行解讀：
class RNN(nn.Module): ? ?def __init__(self): ? ? ? ?super(RNN, self).__init__() ? ? ? ?self.rnn = nn.RNN( ? ? ? ? ? ?input_size=1, ? ? ? ? ? ?hidden_size=32, ? ? ? ? ? ?batch_first=True, ? ? ? ?) ? ? ? ?self.out = nn.Linear(32, 1) ? ?def forward(self, x, h_state): ? ? ? ?r_out, h_state = self.rnn(x, h_state) ? ? ? ?outs = [] ? ? ? ?for time_step in range(r_out.size(1)): ? ? ? ? ? ?outs.append(self.out(r_out[:, time_step, :])) ? ? ? ?return torch.stack(outs, dim=1), h_state我們先看第一部分 RNN 的結(jié)構(gòu)上，定義了三個參數(shù)：input_size，hidden_size，batch_first。
input_size 我們設(shè)置為 1，是因為每次輸入的數(shù)據(jù)上，只有一個點的位置，數(shù)據(jù)是一維數(shù)據(jù)；
hidden_size 設(shè)置為 32，表示我們想要將這個數(shù)據(jù)映射到 32 維的隱空間上，這個值由自己進(jìn)行選擇，不要太小，也不要太大(太小會導(dǎo)致擬合能力較差，太大會導(dǎo)致計算資源消耗過多)；
batch_first 設(shè)為 True，表示我們的數(shù)據(jù)格式中，第一個維度是 batch。
最終，根據(jù)前面對參數(shù)的介紹，可以得知，我們構(gòu)建了一個單層的 RNN 網(wǎng)絡(luò)，輸入的每個 time_step 上的數(shù)據(jù)都是一維的，通過將其映射到 32 維的隱空間上，來發(fā)掘?qū)?biāo)簽數(shù)據(jù)的擬合關(guān)系。
接下來我們看一下 forward 函數(shù)中的內(nèi)容，與 CNN 的 forward 中有些不一樣。在 CNN 中，我們直接將對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)往一起拼接就可以，這里多了一些奇怪的參數(shù)。這是為什么呢？
從第一行開始看起，首先 RNN 我們都知道，每個 time_step 的循環(huán)中，都是將上一個循環(huán)的隱狀態(tài)和當(dāng)前的輸入結(jié)合起來作為輸入。那么 r_out 和 h_state 就是當(dāng)前狀態(tài)的輸出和隱狀態(tài)。
第二行的 outs 是一個空列表，用來存儲什么內(nèi)容呢？我們往下看。
后面是一個 for 循環(huán)，循環(huán)的次數(shù)取決于 r_out.size(1)。這個參數(shù)表示什么呢？r_out 我們知道是輸出，這個輸出的格式應(yīng)該和輸入是相同格式(batch，time_step，hidden_size)，所以 r_out.size(1) 表示了這批數(shù)據(jù)的 time_step 的大小，也就是這批數(shù)據(jù)有多少個點。將對應(yīng)的數(shù)據(jù)進(jìn)行 self.out() 操作，也就是將 32 維的數(shù)據(jù)再映射到 1 維，并將結(jié)果 append 到 outs 中。
這里我們就知道前面定義的 outs 列表用來裝什么數(shù)據(jù)了，最后將結(jié)果 stack 起來，作為 forward 的返回值。
這里看一下訓(xùn)練過程中的擬合情況：
藍(lán)色線條展示了模型的擬合過程，可以看到最終逐漸擬合到了目標(biāo)的 cos 曲線上(紅色線條)。
本部分更多的細(xì)節(jié)，包括 RNN 原理的簡單介紹，對應(yīng)的網(wǎng)絡(luò)的運行細(xì)節(jié)都在：第七篇文章 中可以看到。除此之外，這篇文章中還進(jìn)一步給出了一個利用 LSTM 實現(xiàn)一個對 mnist 數(shù)據(jù)集進(jìn)行分類的例子，幫助我們可以學(xué)習(xí) pytorch 中 LSTM 的使用方法，非常建議看一下這篇文章：pytorch學(xué)習(xí)筆記(7)：RNN 和 LSTM 實現(xiàn)分類和回歸。
番外篇：如何進(jìn)階
番外篇不是說不重要的一步，而是更多的想表達(dá)我對學(xué)習(xí)流程為何這么設(shè)置的思路。通過前面的文章，大家肯定可以算是基本入門了 pytorch 的使用，至少不會出現(xiàn)想要實現(xiàn)一個網(wǎng)絡(luò)時，手足無措的情況。但是如果從學(xué)好這個框架出發(fā)，這肯定是遠(yuǎn)遠(yuǎn)不夠的。
那么我們應(yīng)該如何去學(xué)好這個非常流行的框架呢？我們首先應(yīng)該是按照前面文章的思路一樣，將整體流程的思維架設(shè)起來，知道應(yīng)該怎么入手，可能大神還會給你說如何底層加速，如何優(yōu)化細(xì)節(jié)，如何并行式加載數(shù)據(jù)等。但是我們?nèi)绻簧蟻砭蛯W(xué)的那么細(xì)，可能現(xiàn)在還云里霧里，不知道那種細(xì)節(jié)性的文章在說什么。
所以這里我們給出一個并行式加載數(shù)據(jù)的例子，讓大家知道，在架設(shè)起來對 pytorch 的整體性認(rèn)知以后，我們就可以很輕松的去針對性補充自己需要學(xué)會的內(nèi)容。
這里給出一篇文章的例子，講解了如何提高數(shù)據(jù)加載的速度，讓我們可以利用 pytorch 自帶的 DataLoader 類，自定義設(shè)置自己的數(shù)據(jù)加載類型，讓你的數(shù)據(jù)生成不再成為訓(xùn)練的瓶頸。具體的細(xì)節(jié)可以看：一個例子告訴你，在 pytorch 中應(yīng)該如何并行生成數(shù)據(jù)。
重點不是這篇文章，而是授之以漁。按照這類方法，大家就可以進(jìn)一步去優(yōu)化自己的知識體系，補充對細(xì)節(jié)上的提升。大家通過本篇系列文章的匯總教程以后，就可以很輕松的去學(xué)習(xí)其它對 pytorch 技能進(jìn)行優(yōu)化的進(jìn)階文章了。
總結(jié)
這是一篇對 pytorch 進(jìn)行入門教程的文章，不僅僅是對框架的學(xué)習(xí)，這樣的學(xué)習(xí)方法也可以借鑒到其它的框架，編程語言等中去。
編? 輯：趙彤
審? 核：邢玉玲
來? 源：機器學(xué)習(xí)與推薦系統(tǒng)公眾號
僅做學(xué)習(xí)交流，非商業(yè)用途，侵刪。
總結(jié)
以上是生活随笔為你收集整理的pytorch自带网络_【方家之言】一篇长文学懂 pytorch的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： python编程设计_Python程序设
- 下一篇： 基于stm32f405控制三相无刷电机例