您的位置：首页 > 其它

强大的PyTorch：10分钟让你了解深度学习领域新流行的框架

2017-07-24 00:00 369 查看
摘要：今年一月份开源的PyTorch，因为它强大的功能，它现在已经成为深度学习领域新流行框架，它的强大源于它内部有很多内置的库。本文就着重介绍了其中几种有特色的库，它们能够帮你在深度学习领域更上一层楼。

更多深度文章，请关注：https://yq.aliyun.com/cloud

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：


importtorch#arraysonGPU
importtorch.autogradasautograd#buildacomputationalgraph
importtorch.nnasnn#neuralnetlibrary
importtorch.nn.functionalasF#mostnon-linearitiesarehere
importtorch.optimasoptim#optimizationpackage


2.torch数组取代了numpyndarray->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。

#2matricesofsize2x3intoa3dtensor2x2x3
d=[[[1.,2.,3.],[4.,5.,6.]],[[7.,8.,9.],[11.,12.,13.]]]
d=torch.Tensor(d)#arrayfrompythonlist
print"shapeofthetensor:",d.size()
#thefirstindexisthedepth
z=d[0]+d[1]
print"addingupthetwomatricesofthe3dtensor:",z
shapeofthetensor:torch.Size([2,2,3])
addingupthetwomatricesofthe3dtensor:
81012
151719
[torch.FloatTensorofsize2x3]
#aheavilyusedoperationisreshapingoftensorsusing.view()
printd.view(2,-1)#-1makestorchinfertheseconddim
123456
789111213
[torch.FloatTensorofsize2x6]


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。

#disatensornotanode,tocreateanodebasedonit:
x=autograd.Variable(d,requires_grad=True)
print"thenode'sdataisthetensor:",x.data.size()
print"thenode'sgradientisemptyatcreation:",x.grad#thegradisemptyrightnow
thenode'sdataisthetensor:torch.Size([2,2,3])
thenode'sgradientisemptyatcreation:None
#dooperationonthenodetomakeacomputationalgraph
y=x+1
z=x+y
s=z.sum()
prints.creator
<torch.autograd._functions.reduce.Sumobjectat0x7f1e59988790>
#calculategradients
s.backward()
print"thevariablenowhasgradients:",x.grad
thevariablenowhasgradients:Variablecontaining:
(0,.,.)=
222
222
(1,.,.)=
222
222
[torch.FloatTensorofsize2x2x3]


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（））

#lineartransformationofa2x5matrixintoa2x3matrix
linear_map=nn.Linear(5,3)
print"usingrandomlyinitializedparams:",linear_map.parameters
usingrandomlyinitializedparams:<boundmethodLinear.parametersofLinear(5->3)>
#datahas2exampleswith5featuresand3target
data=torch.randn(2,5)#training
y=autograd.Variable(torch.randn(2,3))#target
#makeanode
x=autograd.Variable(data,requires_grad=True)
#applytransformationtoanodecreatesacomputationalgraph
a=linear_map(x)
z=F.relu(a)
o=F.softmax(z)
print"outputofsoftmaxasaprobabilitydistribution:",o.data.view(1,-1)
#lossfunction
loss_func=nn.MSELoss()#instantiatelossfunction
L=loss_func(z,y)#calculateMSElossbetweenoutputandtarget
print"Loss:",L
outputofsoftmaxasaprobabilitydistribution:
0.20920.19790.59290.43430.30380.2619
[torch.FloatTensorofsize1x6]
Loss:Variablecontaining:
2.9838
[torch.FloatTensorofsize1]


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。

classLog_reg_classifier(nn.Module):
def__init__(self,in_size,out_size):
super(Log_reg_classifier,self).__init__()#alwayscallparent'sinit
self.linear=nn.Linear(in_size,out_size)#layerparameters
defforward(self,vect):
returnF.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)#instantiateoptimizerwithmodelparams+learningrate
#epochloop:werunfollowinguntilconvergence
optimizer.zero_grad()#makegradientszero
L.backward(retain_variables=True)
optimizer.step()
printL
Variablecontaining:
2.9838
[torch.FloatTensorofsize1]


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：

#definemodel
model=Log_reg_classifier(10,2)
#definelossfunction
loss_func=nn.MSELoss()
#defineoptimizer
optimizer=optim.SGD(model.parameters(),lr=1e-1)
#senddatathroughmodelinminibatchesfor10epochs
forepochinrange(10):
forminibatch,targetindata:
model.zero_grad()#pytorchaccumulatesgradients,makingthemzeroforeachminibatch
#forwardpass
out=model(autograd.Variable(minibatch))
#backwardpass
L=loss_func(out,target)#calculateloss
L.backward()#calculategradients
optimizer.step()#makeanupdatestep


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，阿里云云栖社区组织翻译。

文章原标题《UnderstandPyTorchcodein10minutes》，

作者：HamidrezaSaghir，机器学习研究员-多伦多大学博士生译者：袁虎审阅：阿福

文章为简译，更为详细的内容，请查看原文

原文链接
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航