PyTorch由于使用了强大的GPU加速的Tensor计算（类似numpy）和基于tape的autograd系统的深度神经网络。这使得今年一月份被开源的PyTorch成为了深度学习领域新流行框架，许多新的论文在发表过程中都加入了大多数人不理解的PyTorch代码。这篇文章我们就来讲述一下我对PyTorch代码的理解，希望能帮助你阅读PyTorch代码。整个过程是基于贾斯汀·约翰逊的伟大教程。如果你想了解更多或者有超过10分钟的时间，建议你去读下整篇代码。

PyTorch由4个主要包装组成：

Torch：类似于Numpy的通用数组库，可以在将张量类型转换为（torch.cuda.TensorFloat）并在GPU上进行计算。
torch.autograd：用于构建计算图形并自动获取渐变的包
torch.nn：具有共同层和成本函数的神经网络库
torch.optim：具有通用优化算法（如SGD，Adam等）的优化包
1.导入工具

你可以这样导入PyTorch：

import torch # arrays on GPU
import torch.autograd as autograd #build a computational graph
import torch.nn as nn # neural net library
import torch.nn.functional as F # most non-linearities are here
import torch.optim as optim # optimization package
2.torch数组取代了numpy ndarray - >在GPU支持下提供线性代数

第一个特色，PyTorch提供了一个像Numpy数组一样的多维数组，当数据类型被转换为（torch.cuda.TensorFloat）时，可以在GPU上进行处理。这个数组和它的关联函数是一般的科学计算工具。

从下面的代码中，我们可以发现，PyTorch提供的这个包的功能可以将我们常用的二维数组变成GPU可以处理的三维数组。这极大的提高了GPU的利用效率，提升了计算速度。

大家可以自己比较 Torch和numpy ，从而发现他们的优缺点。

2 matrices of size 2x3 into a 3d tensor 2x2x3

d=[[[1., 2.,3.],[4.,5.,6.]],[[7.,8.,9.],[11.,12.,13.]]]
d=torch.Tensor(d) # array from python list
print “shape of the tensor:”,d.size()

the first index is the depth

z=d[0]+d[1]
print “adding up the two matrices of the 3d tensor:”,z
shape of the tensor: torch.Size([2, 2, 3])
adding up the two matrices of the 3d tensor:
8 10 12
15 17 19
[torch.FloatTensor of size 2x3]

a heavily used operation is reshaping of tensors using .view()

print d.view(2,-1) #-1 makes torch infer the second dim
1 2 3 4 5 6
7 8 9 11 12 13
[torch.FloatTensor of size 2x6]
3.torch.autograd可以生成一个计算图 - >自动计算梯度

第二个特色是autograd包，其提供了定义计算图的能力，以便我们可以自动计算渐变梯度。在计算图中，一个节点是一个数组，边（edge）是on数组的一个操作。要做一个计算图，我们需要在（torch.aurograd.Variable（））函数中通过包装数组来创建一个节点。那么我们在这个节点上所做的所有操作都将被定义为边，它们将是计算图中新的节点。图中的每个节点都有一个（node.data）属性，它是一个多维数组和一个（node.grad）属性，这是相对于一些标量值的渐变（node.grad也是一个.Variable（）） 。在定义计算图之后，我们可以使用单个命令（loss.backward（））来计算图中所有节点的损耗梯度。

使用torch.autograd.Variable（）将张量转换为计算图中的节点。
使用x.data访问其值。
使用x.grad访问其渐变。
在.Variable（）上执行操作，绘制图形的边缘。

d is a tensor not a node, to create a node based on it:

x= autograd.Variable(d, requires_grad=True)
print “the node’s data is the tensor:”, x.data.size()
print “the node’s gradient is empty at creation:”, x.grad # the grad is empty right now
the node’s data is the tensor: torch.Size([2, 2, 3])
the node’s gradient is empty at creation: None

do operation on the node to make a computational graph

y= x+1
z=x+y
s=z.sum()
print s.creator

calculate gradients

s.backward()
print “the variable now has gradients:”,x.grad
the variable now has gradients: Variable containing:
(0 ,.,.) =
2 2 2
2 2 2
(1 ,.,.) =
2 2 2
2 2 2
[torch.FloatTensor of size 2x2x3]
4.torch.nn包含各种NN层（张量行的线性映射）+（非线性）–>

其作用是有助于构建神经网络计算图，而无需手动操纵张量和参数，减少不必要的麻烦。

第三个特色是高级神经网络库（torch.nn），其抽象出了神经网络层中的所有参数处理，以便于在通过几个命令（例如torch.nn.conv）就很容易地定义NN。这个包也带有流行的损失函数的功能（例如torch.nn.MSEloss）。我们首先定义一个模型容器，例如使用（torch.nn.Sequential）的层序列的模型，然后在序列中列出我们期望的层。这个高级神经网络库也可以处理其他的事情，我们可以使用（model.parameters（））访问参数（Variable（））

linear transformation of a 2x5 matrix into a 2x3 matrix

linear_map=nn.Linear(5,3)
print “using randomly initialized params:”, linear_map.parameters
using randomly initialized params:

data has 2 examples with 5 features and 3 target

data=torch.randn(2,5) # training
y=autograd.Variable(torch.randn(2,3)) # target

make a node

x=autograd.Variable(data, requires_grad=True)

apply transformation to a node creates a computational graph

a=linear_map(x)
z=F.relu(a)
o=F.softmax(z)
print “output of softmax as a probability distribution:”, o.data.view(1,-1)

loss function

loss_func=nn.MSELoss() #instantiate loss function
L=loss_func(z,y) # calculateMSE loss between output and target
print “Loss:”, L
output of softmax as a probability distribution:
0.2092 0.1979 0.5929 0.4343 0.3038 0.2619
[torch.FloatTensor of size 1x6]
Loss: Variable containing:
2.9838
[torch.FloatTensor of size 1]
我们还可以通过子类（torch.nn.Module）定义自定义层，并实现接受（Variable（））作为输入的（forward（））函数，并产生（Variable（））作为输出。我们也可以通过定义一个时间变化的层来做一个动态网络。

定义自定义层时，需要实现2个功能：
_ init_函数必须始终被继承，然后层的所有参数必须在这里定义为类变量（self.x）
正向函数是我们通过层传递输入的函数，使用参数对输入进行操作并返回输出。输入需要是一个autograd.Variable（），以便pytorch可以构建图层的计算图。
class Log_reg_classifier(nn.Module):
def init(self, in_size,out_size):
super(Log_reg_classifier,self).init() #always call parent’s init
self.linear=nn.Linear(in_size, out_size) #layer parameters
def forward(self,vect):
return F.log_softmax(self.linear(vect)) #
5.torch.optim也可以做优化—>

我们使用torch.nn构建一个nn计算图，使用torch.autograd来计算梯度，然后将它们提供给torch.optim来更新网络参数。

第四个特色是与NN库一起工作的优化软件包（torch.optim）。该库包含复杂的优化器，如Adam，RMSprop等。我们定义一个优化器并传递网络参数和学习率（opt = torch.optim.Adam（model.parameters（），lr = learning_rate）），然后我们调用（opt.step（））对我们的参数进行近一步更新。

optimizer=optim.SGD(linear_map.parameters(),lr=1e-2) # instantiate optimizer with model params + learning rate

epoch loop: we run following until convergence

optimizer.zero_grad() # make gradients zero
L.backward(retain_variables=True)
optimizer.step()
print L
Variable containing:
2.9838
[torch.FloatTensor of size 1]
建立神经网络很容易，但是如何协同工作并不容易。这是一个示例显示如何协同工作：

define model

model = Log_reg_classifier(10,2)

define loss function

loss_func=nn.MSELoss()

define optimizer

optimizer=optim.SGD(model.parameters(),lr=1e-1)

send data through model in minibatches for 10 epochs

for epoch in range(10):
for minibatch, target in data:
model.zero_grad() # pytorch accumulates gradients, making them zero for each minibatch
#forward pass
out=model(autograd.Variable(minibatch))
#backward pass
L=loss_func(out,target) #calculate loss
L.backward() # calculate gradients
optimizer.step() # make an update step
希望上述的介绍能够帮你更好的阅读PyTorch代码。

本文由北邮@爱可可-爱生活老师推荐.