原文地址：https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html

什么是pytorch？

　　pytorch是一个基于python语言的的科学计算包，主要分为两种受众：

能够使用GPU运算取代NumPy
提供最大灵活度和速度的深度学习研究平台

开始

Tensors

　　Tensors与numpy的ndarray相似，且Tensors能使用GPU进行加速计算。

　　创建5 * 3的未初始化矩阵：

　　创建并随机初始化矩阵：

　　创建一个类型为long且值全为0的矩阵：

　　直接赋值创建tensor：

　　使用已有的tensor创建一个tensor，这个方法能使用已有tensor的属性如类型：

　　new_* 方法的参数是张量形状大小

　　重写类型，结果具有相同的形状大小

　　获取张量的尺寸大小：

　　注：torch.Size实际上是一个元组，所以它支持所有的元组操作。

Operations（运算）

　　pytorch有多种运算的语法。在下列例子中，我们看一下加法运算：

　　加法1

　　加法2:

　　加法：提供一个输出tensor作为参数

　　加法：in-place （相当于+= ，将结果直接赋值到左侧的变量）

　　注：任何方法名中使用“_”的都是in-place操作，比如x.copy_(y)，x.t_()，都会使x的值发生改变。

　　同时，你也可以使用标准NumPy风格的索引操作：

　　Resizing：如果你想要resize或reshape一个张量，可以使用方法 torch.view ：

　　如果张量只有一个元素，可以使用.item()来获取一个python数值

NumPy Bridge

　　Torch的张量和NumPy数组的相互转换，他们共享底层的内存位置，更改一个另一个也会改变。

　　张量转换为NumPy数组：

　　当张量的值改变时，numpy数组的值也同时改变：

　　Numpy数组转换为张量：

　　除了字符张量，所有在CPU上的张量都能与NumPy数组相互转换。

CUDA Tensors

　　张量能够被转移到任何设备通过使用 .to 方法。

AUTOGRAD: AUTOMATIC DIFFERENTIATION

　　autograd包在pytorch中是所有神经网络的核心，我们先看一下然后将会训练自己的神经网络。

　　autograd包给所有张量运算提供了自动微分。他是一个运行定义框架（define-by-run framework），意为着被你的代码如何运行所定义，每次的单个迭代都是不同的。

　　让我们用简单的术语和一些例子来看下：

Tensor

　　torch.Tensor是核心类。如果你设置了它的属性 .requires_grad为True，它就开始跟踪所有的运算。当完成所有的计算可以通过 .backward() 然后就可以自动进行所有的梯度计算。该张量的所有梯度将会累加到.grad() 属性。

　　通过调用 .detach() 方法可以停止一个张量对计算记录的追踪。

　　另一种阻止张量计算追踪的方法是，将代码块写入 with torch.no_grad(): ，这在训练中评价测试一个模型的时候尤其有用，因为我们设置了requires_grad =True，而此时并不需要梯度。

　　自动微分的另一个重要实现是类Function。

　　Tensor和Function是相互联系的并建立了一个非循环图，记录了计算的完整历史。每个张量有.grad_fn属性，这个属性与创建张量的Function相关联（除了用户自己创建张量，该属性grad_fn is None）

　　如果你想要计算导数，你可以调用张量的.backward()方法，如果张量是一个标量，如只有一个元素的数据，则backward()不需要指定任何参数；如果其有更多参数，则需要指定一个具有匹配张量大小的gradient参数。

　　创建一个张量并设置 requires_grad = True来追踪计算：

　　张量运算：

　　y是作为运算的结果所创建的，所以它有属性 grad_fn。

　　y的更多运算：

　　.require_grad_()方法可以改变张量requires_grad的值，如果没指定的话，默认值为False。

Gradients

　　开始反向传播。因为 out 包含一个单一的标量，out.backward() 相当于 out.backward((torch.tensor(1.))) 。　

　　打印梯度d(out)/dx：

x = [ [1, 1], [1, 1] ]

y = x + 2

 z =  y * y * 3

out = z.mean

d(out)/dx = 3/2(x + 2)

　　当.requires_grad=True 时，你也可以通过写入代码块with torch.no_grad()停止追踪历史和自动微分：

NEURAL NETWORKS

　　torch.nn可以创建神经网络，nn依赖于 autograd 来定义模型和微分。nn.Moudle包括各种层和返回output的方法forward(input)。

　　例如，以下为对数字图片进行分类的网络：

　　一个简单的前馈网络，获得输入并经过一个个网络层，最终得到输出。

　　以下是一个神经网络的训练步骤：

定义一个具有可学习参数或权重的神经网络；
对一个数据集的输入进行迭代；
通过网络处理输入；
计算损失
将梯度反向传播给网络参数
更新网络参数，通常的更新方法为 weight = weight - learning_rate* gradien

Define the network

#encoding:utf-8

import torch

import torch.nn as nn

import torch.nn.functional as F

class Net(nn.Module):

    def __init__(self):

        super(Net,self).__init__()

        #定义2个卷积层

        self.conv1=nn.Conv2d(in_channels=1,out_channels=6,kernel_size=5)

        self.conv2=nn.Conv2d(in_channels=6,out_channels=16,kernel_size=5)

        #定义了3个线性层，即y=wx+b

        self.fc1=nn.Linear(in_features=16*5*5,out_features=120)

        self.fc2=nn.Linear(120,84)

        self.fc3=nn.Linear(84,10)

    def forward(self, x):

        #在第一层卷积网络和第二层之间增加了relu激活函数和池化层

        x=F.max_pool2d(input=F.relu(input=self.conv1(x)),kernel_size=(2,2))

        #如果池化层是方块形的可以用一个number指定

        x=F.max_pool2d(input=F.relu(input=self.conv2(x)),kernel_size=2)

        x=x.view(-1,self.num_flat_features(x))

        x=F.relu(input=self.fc1(x))

        x=F.relu(self.fc2(x))

        x=self.fc3(x)

        return x

    def num_flat_features(self,x):

        size=x.size()[1:]#切片0里面放的是当前训练batch的number，不是特征信息

        num_features=1

        for s in size:

            num_features*=s

        return num_features

net=Net()

print(net)

Net(

  (conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))

  (conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))

  (fc1): Linear(in_features=400, out_features=120, bias=True)

  (fc2): Linear(in_features=120, out_features=84, bias=True)

  (fc3): Linear(in_features=84, out_features=10, bias=True)

)

　　你只要定义前向函数，当你使用 autograd 时，后向传播函数将会自动定义。在前向函数中你可以使用任何张量运算。

　　模型的可学习参数由 net.parameters() 返回。

params = list(net.parameters())

print(len(params))

print(params[0].size())  # conv1's .weight

　　这个网络适合32*32的数据集（1*32*32经过一个核心为5的卷积层，大小变为6*28*28；经过一个核心为2的池化层，大小变为6*14*14；再经过一个核心为5的卷积层，大小变为16*10*10；池化层，16*5*5，正好是下一个线性层的输入特征数），我们随机一个输入数据集，运行一下我们的模型吧：

input = torch.randn(1, 1, 32, 32)

out = net(input)

print(out)

tensor([[-8.2934e-03, -1.9684e-02, -7.6836e-02,  5.3187e-02,  1.1083e-01,

         -2.5156e-02, -6.1870e-05, -8.3843e-03,  4.1401e-02, -5.8330e-02]],

       grad_fn=<AddmmBackward>)

　　将所有参数的梯度设为0，使用随机梯度进行反向传播：

net.zero_grad()

out.backward(torch.randn(1, 10))

　　注：torch.nn只支持批量数据的处理，而不是单个样本。例如，nn.Conv2d 将会使用 4D张量，nSamples x nChannels x Height x Width，如果只有单个样本，可以使用input.unsqueeze(0)来增加一个假的batch维度。

　　回顾下刚学到的几个类：

torch.Tensor- 多维数组并支持自动微分运算如backward()
nn.Moudle-神经网络模型，帮助我们封装参数，移植到GPU，导出和加载等
nn.Parameter-张量，当你给Module定义属性时，参数会自动生成
autograd.Function-实现前向和反向定义的自动微分运算。每个张量运算至少创建一个Function结点，来连接创建张量和记录历史的函数

Loss Function

　　损失函数计算输出和目标之间的值，来衡量两者的差距。在nn中有多种不同的损失函数，一个简单的损失函数是：nn.MSELoss，它返回的是均方差，即每一个分量相减的平方累计最后除分量的个数。

output = net(input)

target = torch.randn(10)  # a dummy target, for example

target = target.view(1, -1)  # make it the same shape as output

criterion = nn.MSELoss()

loss = criterion(output, target)

print(loss)

tensor(0.9531, grad_fn=<MseLossBackward>)

　　如果你沿着loss反向传播的方向，用.grad_fn属性可以看到计算图：

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d

      -> view -> linear -> relu -> linear -> relu -> linear

      -> MSELoss

      -> loss

　　所以，当你调用loss.backward()时，在整个计算图都会进行微分，所有requires_grad=True的张量的.grad属性都会累加。

　　为了说明，打印如下少数几步的反向传播：

print(loss.grad_fn)  # MSELoss

print(loss.grad_fn.next_functions[0][0])  # Linear

print(loss.grad_fn.next_functions[0][0].next_functions[0][0])  # ReLU

<MseLossBackward object at 0x7f6e48d5ee48>

<AddmmBackward object at 0x7f6e48d5eac8>

<AccumulateGrad object at 0x7f6e48d5eac8>

Backprop

　　为了反向传播误差我们需要做的只要使用 loss.backward() ，同时也需要清除已有的梯度，否则梯度会累加到已经存在的梯度。

　　调用 loss.backward() ，观察conv1 层bias的梯度反向传播前后的变化　　

net.zero_grad()     # zeroes the gradient buffers of all parameters

print('conv1.bias.grad before backward')

print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')

print(net.conv1.bias.grad)

conv1.bias.grad before backward

tensor([0., 0., 0., 0., 0., 0.])

conv1.bias.grad after backward

tensor([-0.0022,  0.0022, -0.0139,  0.0072,  0.0029,  0.0035])

　　现在我们已经知道了如何使用损失函数。

Update the weights

　　在实际中使用的最简单的更新规则是随即梯度下降SGD：

weight = weight - learning_rate * gradient

　　我们可以简单地使用python代码进行实现：

learning_rate = 0.01

for f in net.parameters():

    f.data.sub_(f.grad.data * learning_rate)

　　如果需要使用其他的更新规则，比如SGD，Nesterov-SGD, Adam, RMSProp等等，pytorch也提供了相关的包：torch.optim ，实现了这些方法。

　　使用实例：

import torch.optim as optim

# create your optimizer

optimizer = optim.SGD(net.parameters(), lr=0.01)

# in your training loop:

optimizer.zero_grad()   # zero the gradient buffers

output = net(input)

loss = criterion(output, target)

loss.backward()

optimizer.step()    # Does the update

　　注：代码中我们手动将梯度设置为0，optimizer.zero_grad()，这是因为梯度不置0的话将会累加以前的值，在反向传播那一节我们也提到过。

TRAINING A CLASSIFIER

　　我们已经知道了如何定义网络，计算损失和更新网络权重，那我们将会思考，那数据呢？

　　通常来讲，当你处理图片，文本，语音和视频数据，可以使用标准的python包来加载数据为numpy数组，然后转换为张量torch.*Tensor。

图片，通常可以使用Pillow, OpenCV
语音，使用scipy 和 librosa
文本，纯python或Cython，也可以使用NLTK和SpaCy

　　对于视觉，我们专门创建了一个名为 torchvision 的包，其拥有加载普通数据集（Imagenet, CIFAR10, MNIST）的加载器和图片数据转换器，即torchvision.datasets 和 torch.utils.data.DataLoader。

　　在本教程中，我们将使用CIFAR10数据集。它有10个类别：‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’. CIFAR10中的图像的大小为3*32*32，即大小为32*32的有3个通道的彩色图像。　　

Training an image classifier

　　接下来我们要做一步步完成以下内容：

使用torchvision加载和归一化CIFAR10的训练和测试数据集
定义一个卷积神经网络
定义一个损失函数
在训练数据上训练数据
在测试集上测试网络

1. Loading and normalizing CIFAR10

import torch

import torchvision

import torchvision.transforms as transforms

　　torchvision数据集的输出是在[0,1]范围的]PILImage，我们将其转化为归一化范围[-1, 1]的张量。

transform = transforms.Compose(

    [transforms.ToTensor(),

     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,

                                        download=True, transform=transform)

trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,

                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,

                                       download=True, transform=transform)

testloader = torch.utils.data.DataLoader(testset, batch_size=4,

                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',

           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data/cifar-10-python.tar.gz

Files already downloaded and verified

　　使用matplotlib库查看训练数据：

import matplotlib.pyplot as plt

import numpy as np

# functions to show an image

def imshow(img):

    img = img / 2 + 0.5     # unnormalize

    npimg = img.numpy()

    plt.imshow(np.transpose(npimg, (1, 2, 0)))

    plt.show()

# get some random training images

dataiter = iter(trainloader)

images, labels = dataiter.next()

# show images

imshow(torchvision.utils.make_grid(images))

# print labels

print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

frog  bird truck  ship

2. Define a Convolutional Neural Network

　　复制神经网络那一节的代码，然后将输入图像的通道改为3个，

import torch.nn as nn

import torch.nn.functional as F

class Net(nn.Module):

    def __init__(self):

        super(Net,self).__init__()

        self.conv1=nn.Conv2d(3,6,5)

        self.pool=nn.MaxPool2d(kernel_size=2,stride=2)

        self.conv2=nn.Conv2d(6,16,5)

        self.fc1=nn.Linear(16*5*5,120)

        self.fc2=nn.Linear(in_features=120,out_features=84)

        self.fc3 = nn.Linear(in_features=84, out_features=10)

    def forward(self, x):

        x=self.pool(F.relu(self.conv1(x)))

        x=self.pool(F.relu(self.conv2(x)))

        x=x.view(-1,16*5*5)

        x=F.relu(self.fc1(x))

        x=F.relu(self.fc2(x))

        x=self.fc3(x)

        return  x

net=Net()

print(net)

Net(

  (conv1): Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))

  (pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)

  (conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))

  (fc1): Linear(in_features=400, out_features=120, bias=True)

  (fc2): Linear(in_features=120, out_features=84, bias=True)

  (fc3): Linear(in_features=84, out_features=10, bias=True)

)

3. Define a Loss function and optimizer

　　使用分类的交叉熵损失函数和带动量的随机梯度下降。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()

optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

4. Train the network　　

for epoch in range(2):#循环整个数据集多少遍

    running_loss=0.0

    for i,data in enumerate(trainloader,start=0):

        #get the inputs

        inputs, labels = data

        # 梯度清0

        optimizer.zero_grad()

        #forward + backword + optimize

        outputs = net(inputs)

        loss = criterion(outputs, labels)

        loss.backward()

        optimizer.step()

        #打印统计信息

        running_loss += loss.item()

        if i % 2000 == 1999: #每2000个mini-batches打印一次

            print("[%d, %d] loss: %.3f" %

                  (epoch+1, i+1, running_loss/2000))

            running_loss=0.0

print('Finished Training')

巴特西

【pytorch】pytorch学习笔记（一）