根據(jù)學(xué)習(xí)情況隨時更新。
2020.08.14更新完成。

參考課程-劉二大人《PyTorch深度學(xué)習(xí)實踐》

文章目錄

• • （一）課程概述
  • （二）線性模型
  • （三）梯度下降算法
  • （四）反向傳播
  • （五）用PyTorch實現(xiàn)線性回歸
  • （六）Logistic回歸
  • （七）多維特征輸入的分類問題
  • （八）加載數(shù)據(jù)集
  • （九）多分類問題
  • （十）卷積神經(jīng)網(wǎng)絡(luò)
  • （十一）循環(huán)神經(jīng)網(wǎng)絡(luò)

（一）課程概述

本章知識部分涉及到計算圖的正向傳播（表達式計算）和反向傳播（表達式求導(dǎo)），無需贅述。

（二）線性模型

機器學(xué)習(xí)的過程
訓(xùn)練時如果y值已知的學(xué)習(xí)是監(jiān)督學(xué)習(xí)。
數(shù)據(jù)分為訓(xùn)練集（用于學(xué)習(xí)）和測試集（用于比對）。
在訓(xùn)練過程中，為了避免過擬合，將訓(xùn)練集中的一部分劃分為開發(fā)集。

樣本函數(shù)、代價函數(shù)（吳課程筆記已經(jīng)記錄）

（三）梯度下降算法

核心公式
梯度下降法的本質(zhì)是貪心法。由于函數(shù)是凸函數(shù)，可以保證貪心法求解得到的是最優(yōu)解，此時局部最優(yōu)解即是全局最優(yōu)解。
此外，學(xué)習(xí)率α不能過大，否則可能造成不收斂。

梯度下降算法的例子（還是要自己寫寫才學(xué)得會）

def compute(x):return w * xdef cost(xs, ys):sum = 0for x, y in zip(xs, ys):sum += (compute(x) - y) ** 2return sum / len(xs)def gradient(xs, ys):grad = 0for x, y in zip(xs, ys):grad += 2 * x * (w * x - y)return grad / len(xs)w = 1.0 xs = [1.0, 2.0, 3.0] ys = [2.0, 4.0, 6.0] print('f(4) before training:' + str(compute(4))) for i in range(1000):tempCost = cost(xs, ys)tempGradient = gradient(xs, ys)w -= 0.01 * tempGradientprint('cost:' + str(tempCost) + '\t' + 'w:' + str(w)) print('f(4) after training:' + str(compute(4)))

隨機梯度下降
采用單個輸入而不是所有輸入的均值。
梯度下降法計算x(i),x(i+1)的梯度時可以并行計算（因為采用均值），而隨機梯度下降法計算x(i),x(i+1)的梯度時w存在前后依賴關(guān)系，不能并行。
和梯度下降法相比，性能更好但時間復(fù)雜度也更高。因此通常采用折中的方案（Batch：批量隨機梯度下降）。

（四）反向傳播

直觀概念
正向傳播是從輸入向輸出計算，反向傳播是從輸出向輸入逐步求梯度（本質(zhì)是求導(dǎo)鏈式法則）。
得到dL/dx后，x作為輸出可以繼續(xù)向前傳播。

圖中是一個兩層的神經(jīng)網(wǎng)絡(luò)，在每層的輸出中添加一個非線性函數(shù)（此處是sigmoid函數(shù)，在吳課程中有介紹）。

利用PyTorch構(gòu)建計算圖
PyTorch中，Tensor類是最基本的單元，主要存放 權(quán)值w（data） 和損失函數(shù)對w的導(dǎo)數(shù) dLoss/dw（grad）。
需要注意的是，grad也是Tensor類型。Tensor類型在運算時會建立計算圖，并在反向傳播完成后釋放計算圖。如果單純地使用x的grad的數(shù)值進行計算時，要寫成x.grad.data的形式。

import torchdef compute(x):return w * x # 此處的w是Tensor類型，x由整型自動轉(zhuǎn)為Tensor類型，并最終返回Tensordef loss(x, y):return (compute(x) - y) ** 2 # 返回Tensor類型x_data = [1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0] w = torch.Tensor([1.0]) # 為Tensor賦初值時需要帶方括號 w.requires_grad = True # 標明需要計算該權(quán)值的梯度值，則計算圖中，w參與運算的結(jié)果同樣具有梯度值 for i in range(100):for x, y in zip(x_data, y_data): # 采用隨機梯度下降lossResult = loss(x, y)lossResult.backward() # 反向傳播w.data -= 0.01 * w.grad.dataw.grad.data.zero_() # 對于每個輸入數(shù)據(jù)，使用后將w梯度置0，避免梯度累加print('Time:' + str(i+1) + '\tw:' + str(w.data) + '\tresult:' + str(compute(4).data))

（五）用PyTorch實現(xiàn)線性回歸

設(shè)計步驟：
-準備數(shù)據(jù)集
-設(shè)計模型，計算y的估計值（構(gòu)造計算圖）
-使用PyTorch API構(gòu)造損失函數(shù)、優(yōu)化器
-訓(xùn)練：前饋算損失、反饋算梯度、更新權(quán)值

一個Python傳遞參數(shù)的語法：

實例：

import torch# Step 1 x_data = torch.Tensor([[1.0], [2.0], [3.0]]) y_data = torch.Tensor([[2.0], [4.0], [6.0]])# Step 2 class LinearModule(torch.nn.Module): # 一定要繼承自 神經(jīng)網(wǎng)絡(luò)模塊基類 nn.Module類，并實現(xiàn)__init__()、forward()def __init__(self):super(LinearModule, self).__init__()self.linear = torch.nn.Linear(1, 1) # 參數(shù)分別代表初始的 權(quán)值w和偏移b（都是Tensor類）def forward(self, x):y_pred = self.linear(x) # linear是Linear類的實例，且該類實現(xiàn)了__call__()方法，在實例化后可以像函數(shù)一樣調(diào)用，通常調(diào)用forward()return y_predmodel = LinearModule() # 實例化，model是可調(diào)用的 # model(1) 計算x=1時的估計值# Step 3 criterion = torch.nn.MSELoss(size_average=False) # 設(shè)置為True也可 optimizer = torch.optim.SGD(model.parameters(), lr=0.01) # lr即學(xué)習(xí)率# Step 4 for epoch in range(1000):# 前饋y_pred = model(x_data)loss = criterion(y_pred, y_data)print(epoch, loss.data)# 反饋optimizer.zero_grad() # 將梯度清零loss.backward()# 更新optimizer.step()# 輸出結(jié)果 print(model.linear.weight.item()) # 輸出w print(model.linear.bias.item()) # 輸出b

（六）Logistic回歸

分類問題
-Logistic回歸屬于分類問題。分類問題求解是對應(yīng)情況的概率，并取最大值作為分類結(jié)果。
-對于前例，輸出由多少分轉(zhuǎn)為能否通過/通過考試的概率。
-使用Logistic函數(shù)（標記為σ），將實數(shù)空間的輸出值映射到 [0,1] 中。此時損失函數(shù)也需要改變-(ylog(y’)+(1-y)log(1-y’))。

# 記錄LogisticRegressionModel的特點 import torchclass LogisticModel(torch.nn.Module):def __init__(self):super(LogisticModel, self).__init__()self.linear = torch.nn.Linear(1, 1)def forward(self, x):y_pred = torch.nn.functional.sigmoid(self.linear(x)) # 對原y'進行Sigmoid處理return y_predcriterion = torch.nn.BCELoss(size_average=False) # 二分類交叉熵，是否取平均值影響學(xué)習(xí)率大小

（七）多維特征輸入的分類問題

多維輸入的Logistic模型：每個樣本對應(yīng)一個向量，單個樣本的輸出y’仍然是概率（即y’∈[0,1]）。相比一維輸入，w*x由實數(shù)運算變?yōu)橄蛄績?nèi)積運算。

將N個方程合并成矩陣的運算，利用向量化的特性加速訓(xùn)練過程。

Sigmoid函數(shù)按向量計算的形式，依次應(yīng)用到每個元素。

分層構(gòu)造實例

import torch import numpy as npxy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32) x_data = torch.from_numpy(xy[:, :-1]) y_data = torch.from_numpy(xy[:, [-1]])class MultiDimensionLogisticModel(torch.nn.Module):def __init__(self):super(MultiDimensionLogisticModel, self).__init__()self.linear1 = torch.nn.Linear(8, 6) # 輸入維度為8（每個樣本有8個特征），輸出維度為6（每個結(jié)果有6個特征）self.linear2 = torch.nn.Linear(6, 4)self.linear3 = torch.nn.Linear(4, 1) # 經(jīng)過三層處理最終輸出一維self.sigmoid = torch.nn.Sigmoid() # Sigmoid函數(shù)為模型添加非線性變換，構(gòu)建計算圖def forward(self, x):x = self.sigmoid(self.linear1(x))x = self.sigmoid(self.linear2(x))x = self.sigmoid(self.linear3(x))return xmodel = MultiDimensionLogisticModel() criterion = torch.nn.BCELoss(size_average=False) optimizer = torch.optim.SGD(model.parameters(), lr=0.1)for epoch in range(1000):# 前饋y_pred = model(x_data) # 每次處理所有數(shù)據(jù)集，而下一章每次處理一個Batchloss = criterion(y_pred, y_data)print(epoch, loss.data)# 反饋optimizer.zero_grad()loss.backward()# 更新optimizer.step()

（八）加載數(shù)據(jù)集

采用DataLoader處理輸入時，需要額外定義一個繼承自Dataset（該類是抽象類）的類，并實現(xiàn)_init_(), _getitem_(), _len_()方法。

概念定義
-Epoch：對所有樣本的一次正向傳播和反向傳播。
-Batch Size：每次正向傳播的樣本數(shù)。
-Iteration：Mini Batch的進行次數(shù)。
如：樣本數(shù)為10000，BatchSize為1000，則Iteration為10
在Mini Batch下的訓(xùn)練步驟：

# Step 4 for epoch in range(training_epochs): # 對所有數(shù)據(jù)，共進行training_epochs次的訓(xùn)練for i in range(total_batch): # 對每個Batch進行處理#TODO

Dataset和DataLoader
DataLoader迭代時以Batch為基本元素，其中Batch的大小在創(chuàng)建Loader時指定。
Dataset每次獲取一個樣本，DataLoader每次獲取Batch個樣本。

實例

import torch import numpy as np from torch.utils.data import Dataset from torch.utils.data import DataLoader# Step 1 class DiabetesDataset(Dataset):def __init__(self, filepath):xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32)self.x_data = torch.from_numpy(xy[:, :-1])self.y_data = torch.from_numpy(xy[:, [-1]])self.len = xy.shape[0] # 和不采用Dataset相比增加的步驟def __getitem__(self, index):return self.x_data[index], self.y_data[index]def __len__(self):return self.lendataset = DiabetesDataset('diabetes.csv.gz') # dataset是傳入數(shù)據(jù)集，batch_size規(guī)定一個batch的樣本數(shù)，shuffle代表是否打亂樣本順序，num_workers代表并行數(shù)目 train_loader = DataLoader(dataset=dataset, batch_size=32, shuffle=True, num_workers=2)# Step 2（未發(fā)生變化） class MultiDimensionLogisticModel(torch.nn.Module):def __init__(self):super(MultiDimensionLogisticModel, self).__init__()self.linear1 = torch.nn.Linear(8, 6)self.linear2 = torch.nn.Linear(6, 4)self.linear3 = torch.nn.Linear(4, 1)self.sigmoid = torch.nn.Sigmoid() # Sigmoid函數(shù)為模型添加非線性變換，構(gòu)建計算圖def forward(self, x):x = self.sigmoid(self.linear1(x))x = self.sigmoid(self.linear2(x))x = self.sigmoid(self.linear3(x))return xmodel = MultiDimensionLogisticModel()# Step 3（未發(fā)生變化） criterion = torch.nn.BCELoss(size_average=False) optimizer = torch.optim.SGD(model.parameters(), lr=0.01)# Step 4 for epoch in range(100):for i, data in enumerate(train_loader, 0): # 每次獲取index和一個Batchx, y = data # 其中x和y都是Tensor類型，x代表Batch個輸入，y代表Batch個輸出# 前饋y_pred = model(x)loss = criterion(y_pred, y)print(epoch, i, loss.item())# 反饋optimizer.zero_grad()loss.backward()# 更新optimizer.step()

（九）多分類問題

Softmax層的引入
相比較二分類問題，多分類需要輸出每種情況的對應(yīng)概率。如果按照二分類的方法，可能造成所有情況概率之和不為1的情況。改進措施是，將輸出最終結(jié)果前的Sigmoid層轉(zhuǎn)換成Softmax層。

引入Softmax層的具體操作
①使用numpy直接計算

import numpy as npy = np.array([1, 0, 0]) # 標簽值 z = np.array([0.2, 0.1, -0.1]) # Softmax輸入值 y_pred = np.exp(z)/np.exp(z).sum() loss = (-y * np.log(y_pred)).sum()

②使用NLLLoss損失函數(shù)，輸入Softmax和Log處理后的數(shù)據(jù)，以及標簽值，輸出Loss。

③使用CrossEntropyLoss（交叉熵損失）函數(shù)。

import torchy = torch.LongTensor([2, 0, 1]) # 注意此處是LongTensor # z_1和z_2是最后一層輸出，進入Softmax之前的值，所以每個分類之和不為1 # 每行元素代表對一個對象的分類情況，共三個對象 z_1 = torch.Tensor([[0.1, 0.2, 0.9],[1.1, 0.1, 0.2],[0.2, 2.1, 0.1]]) z_2 = torch.Tensor([[0.9, 0.2, 0.1],[0.1, 0.1, 0.5],[0.2, 0.1, 0.7]]) criterion = torch.nn.CrossEntropyLoss() print(criterion(z_1, y), criterion(z_2, y))

PyTorch圖像多分類問題
①數(shù)據(jù)輸入
一般讀入形式為whc，在PyTorch中為了便于處理，將其轉(zhuǎn)為cwh。

# 將PIL轉(zhuǎn)為Tensor transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307, ), (0.3081, )) ])

②設(shè)計模型
view將 N個 1維 28*28的輸入，轉(zhuǎn)化為 N個 1行 的數(shù)據(jù)（每行784個）。
注意最后一層不進行激活。

（十）卷積神經(jīng)網(wǎng)絡(luò)

圖像存儲形式
RGB：輸入圖片是3*w*h的形式，頻道對應(yīng)紅/綠/藍，每個元素取值0~255.
矢量：存儲圖像的繪制信息。特點是放大不會出現(xiàn)像素塊。

圖像的卷積概述
對圖像進行卷積操作，本質(zhì)上是對圖像的某塊的所有頻道（即一個Batch）進行操作。操作會改變圖像的c,w,h值。

單通道的卷積操作
用Kernel陣遍歷輸入陣，對應(yīng)進行數(shù)值乘法再求和，得到輸出陣的一個元素。

多通道的卷積操作
本質(zhì)上是將單通道的卷積累加。需要注意的是，輸入Kernel的通道數(shù)要和輸入的通道數(shù)相等。
該操作將n通道的輸入轉(zhuǎn)化成1通道的輸出。

如果需要得到m通道的輸出，則要準備m份的卷積陣。此時對應(yīng)的權(quán)值是 m*n*k_width*k_height的四維量。

卷積操作實例

import torchin_channels, out_channels= 5, 10 width, height = 100, 100 kernel_size = 3 batch_size = 1input = torch.randn(batch_size, in_channels, width, height) conv_layer = torch.nn.Conv2d(in_channels, out_channels, kernel_size=kernel_size) output = conv_layer(input)

卷積層的Padding操作
在輸入陣的周圍進行填充（一般是0），以得到目標形狀的輸出。

import torchinput = [3,4,6,5,7,2,4,6,8,2,1,6,7,8,4,9,7,4,6,2,3,7,5,4,1] input = torch.Tensor(input).view(1, 1, 5, 5) # 分別對應(yīng)Batch、Channel、Width、Height conv_layer = torch.nn.Conv2d(1, 1, kernel_size=3, padding=1, bias=False) # 分別對應(yīng)輸入Channel、輸出Channel kernel = torch.Tensor([1, 2, 3, 4, 5, 6, 7, 8, 9]).view(1, 1, 3, 3) #輸出Channel、輸入Channel、Width、Height conv_layer.weight.data = kernel.data output = conv_layer(input)

步長stride
將上述代碼的padding=1改為stride=2，即可得到2*2的結(jié)果。

Max Pooling層
kernel_size為2的MaxPooling可以將輸入的行和列都減少為原來的1/2.
該操作和通道數(shù)無關(guān)，操作前后不改變通道數(shù)。

import torchinput = [3,4,6,5,2,4,6,8,1,6,7,8,9,7,4,6,] input = torch.Tensor(input).view(1, 1, 4, 4) maxpooling_layer = torch.nn.MaxPool2d(kernel_size=2) output = maxpooling_layer(input)

卷積神經(jīng)網(wǎng)絡(luò)實例
注意：進行最后一次 Conv-Pooling-ReLU后進入線性層。

import torch import torch.nn.functional as Fclass Net(torch.nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5) # 卷積層1self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5) # 卷積層2self.pooling = torch.nn.MaxPool2d(2)self.linear = torch.nn.Linear(320, 10) # 輸入320個數(shù)據(jù)，輸出10個數(shù)據(jù)（對應(yīng)十種分類情況）def forward(self, x):batch_size = x.size(0)x = self.pooling(F.relu(self.conv1(x)))x = self.pooling(F.relu(self.conv2(x)))x = x.view(batch_size, -1) # 全連接網(wǎng)絡(luò)輸入x = self.linear(x)return xmodel = Net()

使用GPU進行計算

# 在上述代碼添加 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model.to(device) # 并在訓(xùn)練、測試時，在 input, target = data的基礎(chǔ)上增加 input, target = input.to(device), target.to(device)

1x1卷積
本質(zhì)上是將多個通道的對應(yīng)元素進行信息融合。
目的是，只改變通道數(shù)，不改變輸入的寬度和高度，以減小運算量。

Inception Module
對同一輸入進行不同卷積，合并最終結(jié)果，取最優(yōu)解。
不同路徑只能改變頻道數(shù)，不能改變寬度和高度（因為最終需要合并）。
Concatenate操作將不同的卷積結(jié)果沿著通道方向合并。

# 上半部分是__init__的操作，下半部分是forward的操作 # 分支1 self.branch_pool = nn.Conv2d(in_channels, 24, kernel_size=1)branch_pool = F.avg_pool2d(x, kernel_size=3, stride=1, padding=1) branch_pool = self.branch_pool(branch_pool)# 分支2 self.branch1x1 = nn.Conv2d(in_channels, 16, kernel_size=1)branch1x1 = self.branch1x1(x)# 分支3 self.branch5x5_1 = nn.Conv2d(in_channels,16, kernel_size=1) self.branch5x5_2 = nn.Conv2d(16, 24, kernel_size=5, padding=2)branch5x5 = self.branch5x5_1(x) branch5x5 = self.branch5x5_2(branch5x5)# 分支4 self.branch3x3_1 = nn.Conv2d(in_channels, 16, kernel_size=1) self.branch3x3_2 = nn.Conv2d(16, 24, kernel_size=3, padding=1) self.branch3x3_3 = nn.Conv2d(24, 24, kernel_size=3, padding=1)branch3x3 = self.branch3x3_1(x) branch3x3 = self.branch3x3_2(branch3x3)# Concatenate outputs = [branch1x1, branch5x5, branch3x3, branch_pool] return torch.cat(outputs, dim=1) # (batch, channel, width, height)中channel對應(yīng)index為1，按照channel對齊

使用實例

import torch from torch import nn import torch.nn.functional as F# 圖中的Inception示例 class InceptionA(nn.Module):def __init__(self, in_channels):super(InceptionA, self).__init__()# 定義各分支的卷積部分：# 分支2self.branch1x1 = nn.Conv2d(in_channels, 16, kernel_size=1)# 分支3self.branch5x5_1 = nn.Conv2d(in_channels, 16, kernel_size=1)self.branch5x5_2 = nn.Conv2d(16, 24, kernel_size=5, padding=2)# 分支4self.branch3x3_1 = nn.Conv2d(in_channels, 16, kernel_size=1)self.branch3x3_2 = nn.Conv2d(16, 24, kernel_size=3, padding=1)self.branch3x3_3 = nn.Conv2d(24, 24, kernel_size=3, padding=1)# 分支1self.branch_pool = nn.Conv2d(in_channels, 24, kernel_size=1)def forward(self, x):# 分支2branch1x1 = self.branch1x1(x)# 分支3branch5x5 = self.branch5x5_1(x)branch5x5 = self.branch5x5_2(branch5x5)# 分支4branch3x3 = self.branch3x3_1(x)branch3x3 = self.branch3x3_2(branch3x3)branch3x3 = self.branch3x3_3(branch3x3)# 分支1branch_pool = F.avg_pool2d(x, kernel_size=3, stride=1, padding=1)branch_pool = self.branch_pool(branch_pool)# Concatenateoutputs = [branch1x1, branch5x5, branch3x3, branch_pool]return torch.cat(outputs, dim=1)# 采用Inception的模型 class Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(1, 10, kernel_size=5)self.conv2 = nn.Conv2d(88, 20, kernel_size=5) # 88是經(jīng)過Inception1后的通道數(shù)self.incep1 = InceptionA(in_channels=10)self.incep2 = InceptionA(in_channels=20)self.mp = nn.MaxPool2d(2) # pooling操作不改變通道數(shù)self.linear = nn.Linear(1408, 10)def forward(self, x):in_size = x.size(0)x = F.relu(self.mp(self.conv1(x))) # 先后進行卷積、池化、激活x = self.incep1(x)x = F.relu(self.mp(self.conv2(x)))x = self.incep2(x)x = x.view(in_size, -1)x = self.linear(x)return x

Residual Block
不改變輸入的c,w,h.
例：進行兩次卷積操作的網(wǎng)絡(luò)

from torch import nn import torch.nn.functional as Fclass ResidualBlock(nn.Module):def __init__(self, channel):super(ResidualBlock, self).__init__()self.conv1 = nn.Conv2d(channel, channel, kernel_size=3, padding=1)self.conv2 = nn.Conv2d(channel, channel, kernel_size=3, padding=1)def forward(self, x):y = F.relu(self.conv1(x))y = self.conv2(y) # 注意此處需要求和后再激活y = F.relu(x + y)return yclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(1, 16, kernel_size=5)self.conv2 = nn.Conv2d(16, 32, kernel_size=5)self.rb1 = ResidualBlock(16)self.rb2 = ResidualBlock(32)self.mp = nn.MaxPool2d(2)self.linear = nn.Linear(512, 10)def forward(self, x):in_size = x.size(0)x = self.mp(F.relu(self.conv1(x)))x = self.rb1(x)x = self.mp(F.relu(self.conv2(x)))x = self.rb2(x)x = x.view(in_size, -1)x = self.linear(x)return x

（十一）循環(huán)神經(jīng)網(wǎng)絡(luò)

RNN用于處理輸入具有序列關(guān)系，且前項對后項有影響的問題。比如根據(jù)前幾天的溫度、氣壓、天氣對未來的天氣進行預(yù)測。

RNNCell
本質(zhì)是線性層。同一個Cell在RNN中循環(huán)使用。
構(gòu)造RNNCell需要輸入inputSize和hiddenSize。

使用時需要明確輸入、輸出的維度關(guān)系。
設(shè) batchSize=1，seqLen=3，inputSize=4，hiddenSize=2
則有 input.shape=(batchSize, inputSize)，output.shape=(batchSize, hiddenSize)，dataset.shape=(seqLen, batchSize, inputSize)

import torchbatch_size = 1 seq_len = 3 input_size = 4 hidden_size = 2 cell = torch.nn.RNNCell(input_size=input_size, hidden_size=hidden_size)dataset = torch.randn(seq_len, batch_size, input_size) hidden = torch.zeros(batch_size, hidden_size)

RNN

input.shape=(seqLen, batchSize, inputSize)
h0.shape=(numLayers, batchSize, hiddenSize)
output.shape=(seqLen, batchSize, hiddenSize)
hn.shape=(numLayers, batchSize, hiddenSize)

import torchbatch_size = 1 seq_len = 3 input_size = 4 hidden_size = 2 num_layers = 1 cell = torch.nn.RNN(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers)inputs = torch.randn(seq_len, batch_size, input_size) hidden = torch.zeros(num_layers, batch_size, hidden_size)

實例：使用RNNCell的字符串轉(zhuǎn)化
對于每個輸入字符，求解問題的整體結(jié)構(gòu)：

將字符串"hello"轉(zhuǎn)化為"ohlol"
首先將輸入字符的每個字符進行向量化，得到RNNCell的輸入。
此時inputSize=4，seqLen=5。

import torch# 處理輸入 input_size = 4 hidden_size = 4 batch_size = 1 idx2char = ['e', 'h', 'l', 'o'] x_data = [1, 0, 2, 2, 3] # 'hello' y_data = [3, 1, 2, 3, 2] # 'ohlol' one_hot_lookup = [[1, 0, 0, 0],[0, 1, 0, 0],[0, 0, 1, 0],[0, 0, 0, 1]]x_one_hot = [one_hot_lookup[x] for x in x_data] # 得到RNNCell的輸入 inputs = torch.Tensor(x_one_hot).view(-1, batch_size, input_size) # input.shape=(seqLen, batchSize, inputSize) labels = torch.LongTensor(y_data).view(-1, 1) # labels.shape=(seqLen, 1)# 處理單個字符輸入的RNNCell class Model(torch.nn.Module):def __init__(self, input_size, hidden_size, batch_size):super(Model, self).__init__()self.batch_size = batch_sizeself.input_size = input_sizeself.hidden_size = hidden_sizeself.rnncell = torch.nn.RNNCell(input_size=self.input_size, hidden_size=self.hidden_size)def forward(self, input, hidden):hidden = self.rnncell(input, hidden) # input.shape=(batchSize, inputSize); hidden.shape=(batch, hiddenSize)return hiddendef init_hidden(self):return torch.zeros(self.batch_size, self.hidden_size) # h0net = Model(input_size, hidden_size, batch_size) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(net.parameters(), lr=0.1)for epoch in range(15):loss = 0optimizer.zero_grad()hidden = net.init_hidden()# 每輪對所有輸入進行訓(xùn)練# inputs.shape=(𝒔𝒆𝒒𝑳𝒆𝒏, 𝒃𝒂𝒕𝒄𝒉𝑺𝒊𝒛𝒆,𝒊𝒏𝒑𝒖𝒕𝑺𝒊𝒛𝒆) ; input.shape(𝒃𝒂𝒕𝒄𝒉𝑺𝒊𝒛𝒆, 𝒉𝒊𝒅𝒅𝒆𝒏𝑺𝒊𝒛𝒆)for input, label in zip(inputs, labels):hidden = net(input, hidden)loss += criterion(hidden, label) # 需要構(gòu)建計算圖，因此需要求和loss.backward()optimizer.step()

實例：使用RNN的字符串轉(zhuǎn)化

import torchinput_size = 4 hidden_size = 4 num_layers = 1 batch_size = 1 seq_len = 5idx2char = ['e', 'h', 'l', 'o'] x_data = [1, 0, 2, 2, 3] y_data = [3, 1, 2, 3, 2] one_hot_lookup = [[1, 0, 0, 0],[0, 1, 0, 0],[0, 0, 1, 0],[0, 0, 0, 1]] x_one_hot = [one_hot_lookup[x] for x in x_data] inputs = torch.Tensor(x_one_hot).view(seq_len, batch_size, input_size) labels = torch.LongTensor(y_data) # (seqLen*batchSize, 1)class Model(torch.nn.Module):def __init__(self, input_size, hidden_size, num_layers, batch_size, seq_len):super(Model, self).__init__()self.input_size = input_sizeself.num_layers = num_layersself.hidden_size = hidden_sizeself.batch_size = batch_sizeself.seq_len = seq_lenself.rnn = torch.nn.RNN(self.input_size, self.hidden_size, self.num_layers)def forward(self, input):hidden = torch.zeros(self.num_layers, self.batch_size, self.hidden_size) # h0out, _ = self.rnn(input, hidden)return out.view(-1, self.hidden_size) # (𝒔𝒆𝒒𝑳𝒆𝒏 × 𝒃𝒂𝒕𝒄𝒉𝑺𝒊𝒛𝒆, 𝒉𝒊𝒅𝒅𝒆𝒏𝑺𝒊𝒛𝒆)net = Model(input_size, hidden_size, batch_size, num_layers) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(net.parameters(), lr=0.05)for epoch in range(15):optimizer.zero_grad()outputs = net(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()

總結(jié)

以上是生活随笔為你收集整理的PyTorch深度学习实践的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。