Pytorch介绍与基本使用_pytorch怎么用

前言

Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程，根据我在网上的了解，相比于Tensorflow，Pytorch简介易用。

一、为什么选择Pytorch

简洁：PyTorch的设计追求最少的封装，尽量避免重复造轮子。PyTorch的源码只有TensorFlow的十分之一左右，更少的抽象、更直观的设计使得PyTorch的源码十分易于阅读。

速度：PyTorch 的灵活性不以速度为代价，在许多评测中，PyTorch 的速度表现胜过 TensorFlow和Keras（这个年代比较久了） 等框架。

易用：PyTorch 是所有的框架中面向对象设计的最优雅的一个。PyTorch的面向对象的接口设计来源于Torch，而Torch的接口设计以灵活易用而著称。

生态丰富：PyTorch 提供了完整的文档，循序渐进的指南，此外，相关社区还在逐渐壮大。

二、Pytorch的基本使用

2-0、张量的定义

张量：张量是一种特殊的数据结构，与Numpy中的arrays非常相似，在Pytorch中，我们使用张量对模型的输入和输出以及模型的参数进行编码。

注意：Tensors和Numpy中的数组具有底层内存共享，意味着不需要进行复制直接就可以相互转化。

2-1、直接创建张量

2-1-1、torch.Tensor（）

 
import torch
torch.Tensor([1, 2, 3])
print(T)
 
# 涉及到的参数
# data：data的数据类型可以是列表list、元组tuple、numpy数组ndarray、纯量scalar（又叫标量）和其他的一些数据类型。
# dtype：该参数可选参数，默认为None，如果不进行设置，生成的Tensor数据类型会拷贝data中传入的参数的数据类型，比如data中的数据类型为float，则默认会生成数据类型为torch.FloatTensor的Tensor。
# device：该参数可选参数，默认为None，如果不进行设置，会在当前的设备上为生成的Tensor分配内存。
# requires_grad：该参数为可选参数，默认为False，在为False的情况下，创建的Tensor不能进行梯度运算，改为True时，则可以计算梯度。
# pin_memory：该参数为可选参数，默认为False，如果设置为True，则在固定内存中分配当前Tensor，不过只适用于CPU中的Tensor。

输出：

2-1-2、torch.from_numpy（）

# notice: 当然我们也可以直接将numpy数组直接转化为Tensor
import torch
import numpy as np
t1 = [1, 2, 3]
np_array = np.array(t1)
data = torch.from_numpy(np_array)
print(data)

输出：

2-2、创建数值张量

2-2-1、torch.ones（）

# 创建全1张量。
import torch
T = torch.ones((2,4))
print(T)

输出：

2-2-2、torch.full（）

import torch
T = torch.full([2,3],2.0)
print(T)
# 参数：
# size: 定义了输出张量的形状。
# full_value: 定义填充的值。

输出：

2-2-3、torch.arange（）

import torch
T = torch.arange(0, 10, 2)
print(T)
# 创建等差数列
 
 
# 参数：
# start: 等差数列开始。
# end: 等差数列结束。
# steps: 等差数列的差是多少。

输出：

2-2-4、torch.linespace（）

import torch
T = torch.linspace(2, 10, 5)
print(T)
# 创建线性间距向量
 
 
# 参数：
# start: 起始位置
# end: 结束位置
# steps: 步长
# out: 结果张量

输出：

2-2-5、torch.eye（）

import torch
T = torch.eye(3,3)
print(T)
# 创建对角矩阵
# 即生成对角线全为1，其余部分全为0的二维数组
 
 
# 参数：
# n: 行数
# m: 列数
# out: 输出类型，即输出到哪个矩阵。

输出：

2-3、根据概率创建张量

2-3-1、torch.randn()

import torch
T = torch.randn(4)
print(T)
# 创建随机值
# 与rand不同的是，它创建的是包含了从标准正态分布（均值为0，方差为1）中取出的一组随机值。
 
# 参数
# size: 定义了输出张量的形状
# out: 结果张量

输出：

2-3-2、torch.randint()

import torch
T = torch.randint(100, size=(10, 10))
print(T)
# 返回一个填充了随机整数的张量，这些整数在low和high之间均匀生成。张量的shape由参数size定义。
 
# 参数说明：
# 常用参数：
# low ( int , optional ) – 要从分布中提取的最小整数。默认值：0。
# high ( int ) – 高于要从分布中提取的最高整数。
# size ( tuple ) – 定义输出张量形状的元组。
 
# 关键字参数：
# generator ( torch.Generator, optional) – 用于采样的伪随机数生成器
# out ( Tensor , optional ) – 输出张量。
# dtype ( torch.dtype , optional) – 如果是None，这个函数返回一个带有 dtype 的张量torch.int64。
# layout ( torch.layout, optional) – 返回张量的所需布局。默认值：torch.strided。
# device ( torch.device, optional) – 返回张量的所需设备。默认值：如果None，则使用当前设备作为默认张量类型（请参阅torch.set_default_tensor_type()）。device将是 CPU 张量类型的 CPU 和 CUDA 张量类型的当前 CUDA 设备。
# requires_grad ( bool , optional ) – 如果 autograd 应该在返回的张量上记录操作。默认值：False。

输出：

2-3-3、torch.rand()

import torch
T = torch.rand(4)
print(T)
# 创建随机值,包含了从区间（0，1）的均匀分布中抽取的一组随机数
# 均匀分布
# torch.rand(*sizes, out=None)

输出：

2-3-4、torch.normal()

torch.normal: 生成正态分布

四种模式：

1、mean为标量，std为标量。

2、mean为标量，std为张量。

3、mean为张量，std为标量。

4、mean为张量，std为张量。

import torch
T = torch.normal(0, 1, size=(3,4))
print(T)
# mean为标量，std为标量，这种模式必须加size参数

输出：

2-4、张量的一些操作：拼接、切分索引变换

2-4-1、torch.ones_like函数和torch.zeros_like函数

import torch
input = torch.rand(4, 6)
print(input)
# 生成与input形状相同、元素全为1的张量
a = torch.ones_like(input)
print(a)
# 生成与input形状相同、元素全为0的张量
b = torch.zeros_like(input)
print(b)

输出：

2-4-2、torch.cat函数

import torch
# 生成一个两行三列的全1张量。
t = torch.ones((2,3))
# 拼接函数cat
# 在给定维度上对输入的张量进行连接操作
T = torch.cat([t,t], dim=0)
print(T)
T1 = torch.cat([t,t], dim=1)
print(T1)
# 参数
# inputs : 待连接的张量序列，可以是任意相同Tensor类型的python 序列
# dim : 选择的扩维, 必须在0到len(inputs[0])之间，沿着此维连接张量序列。

输出：

2-4-3、torch.stack函数

import torch
# 生成一个两行三列的全1张量。
t = torch.ones((2,3))
# 拼接函数stack
# 与cat不同的是，stack会增加维度。 简单来说就是增加新的维度进行堆叠。
# 扩维拼接！
T = torch.stack([t,t], dim=1)
print(T)
# 参数
# inputs : 待连接的张量序列，可以是任意相同Tensor类型的python 序列
# dim : 选择的扩维, 必须在0到len(inputs[0])之间，沿着此维连接张量序列。

输出：

2-4-4、torch.chunk函数

import torch
# 生成一个两行五列的全1张量。
t = torch.ones((2,5))
# 在给定维度上将输入张量进行分块
T = torch.chunk(t, dim=0, chunks=5)
# input：被分块的张量。
# chunks：要切的份数。
# dim：在哪个维度上切分。
print(T)
 
T1 = torch.chunk(t, dim=1, chunks=5)
# input：被分块的张量。
# chunks：要切的份数。
# dim：在哪个维度上切分。
print(T1)
 

输出：

2-4-5、torch.split函数

import torch
# 生成一个两行五列的全1张量。
t = torch.ones((2,5))
# 将tensor分成块结构
T = torch.split(t, [1,1,3], dim=1)
# input：待输入张量
# split_size_or_sections： 需要切分的大小，可以为列表或者数字。
# dim：切分维度
print(T)

输出：

三、有关于Pytroch的其他知识

3-1、叶子节点

叶子节点：用户创建的节点被称之为叶子节点。（即Tensor有一个属性，叫is_leaf。） 所以可以Tensor调用is_leaf属性来判断是否为叶子节点，只有叶子节点才有梯度。非叶子节点的梯度在运行后会被直接释放掉。依赖于叶子节点的节点 requires_grad默认为True。

requires_grad：即是否需要计算梯度，当这个值为True时，我们将会记录tensor的运算过程并为自动求导做准备。,但是并不是每个requires_grad()设为True的值都会在backward的时候得到相应的grad.它还必须为leaf。只有是叶子张量的tensor在反向传播时才会将本身的grad传入到backward的运算中，如果想得到其他tensor在反向传播时的grad，可以使用retain_grad()这个属性。

import torch
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
print(w)
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
 
y.backward()
 
print(a.requires_grad, b.requires_grad, y.requires_grad)
# True True True
 
# last 计算w的梯度
print(w.grad)
# tensor([5.])

3-2、动态图与静态图

1、动态图：运算与搭建同时进行，容易调节。 Pytorch采用动态图机制。

2、静态图：先搭建图，后运算，高效，但是不灵活。 Tensorflow采用静态图机制。

3-3、自动求梯度（autograd）

前言：神经网络通常依赖反向传播求梯度来更新网络参数，深度学习框架可以帮助我们自动地完成这种梯度运算。 Pytorch一般通过反向传播方法backward来实现梯度计算。除此以外，也可以调用torch.autograd.grad函数来实现梯度计算。

注意：backward方法通常在一个标量张量上调用，该方法求得的梯度将存在对应自变量张量的grad属性下。如果调用的张量非标量，则要传入一个和它同形状的gradient参数张量。相当于用该gradient参数张量与调用张量作向量点乘，得到的标量结果再反向传播。

案例一：backward方法在一个标量张量上调用。

w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
 
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
 
y.backward()
 
print(a.requires_grad, b.requires_grad, y.requires_grad)
# True True True
 
# last 计算w的梯度
w.grad
# tensor([5.])

案例二：backward方法在非标量的反向传播

import numpy as np
import torch
# f(x) = a*x**2 + b*x + c
x = torch.tensor([[0.0,0.0],[1.0,2.0]],requires_grad = True) # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
y = a*torch.pow(x,2) + b*x + c
gradient = torch.tensor([[1.0,1.0],[1.0,1.0]])
print("x:",x)
print("y:",y)
y.backward(gradient = gradient)
x_grad = x.grad
print("x_grad:",x_grad)

输出：

案例三：使用autograd.grad方法来求导数。

torch.autograd.backward: 求梯度。

参数：

outputs：用于求导的张量

inputs：需要梯度的张量

create_graph: 创建导数计算图，用于高阶求导

retain_graph: 保存计算图

grad_outputs: 多梯度权重

import numpy as np
import torch
# f(x) = a*x**2 + b*x + c的导数
x = torch.tensor(0.0,requires_grad = True) # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
y = a*torch.pow(x,2) + b*x + c
 
# create_graph 设置为 True 将允许创建更高阶的导数
dy_dx = torch.autograd.grad(y,x,create_graph=True)[0]
print(dy_dx.data)
# 求二阶导数
dy2_dx2 = torch.autograd.grad(dy_dx,x)[0]
print(dy2_dx2.data)

输出：

四、数据读取机制Dataloader与Dataset

Dataloader方法：

# torch.utils.data.DataLoader

# 参数：

# dataset: Dataset类，决定数据从哪读取以及如何读取

# batchsize：批大小

# num_works: 是否多进程读取数据

# shuffle： 每个epoch是否乱序

# drop_last: 当样本数不能被batchsize整除时，是否舍弃最后一批数据

Epoch、Iteration、Batchsize的含义：

# Epoch：所有训练样本都输入到模型中，称为一个Epoch

# Iteration： 一批样本输入到模型中，称之为一个Iteration

# Batchsize： 批大小，决定一个Epoch有多少个Iteration

五、数据预处理transforms模块机制

transforms: 图像预处理模块，对数据进行增强，即对训练集进行变换，使得模型的泛化能力更强。

# torchvision.transforms: 图像预处理模块
# torchvision.datasets: 常用数据集的dataset实现
# torchvision.model: 常用的模型与训练
 
 
# transforms： 数据中心化、标准化、缩放、裁剪、旋转、翻转、填充、噪声添加、灰度变换、线性变换、仿射变换、亮度、饱和度以及对比度变换。
 
# transforms.ToTensor(): 用于对载入的图片数据进行类型转换，把之前构成PIL图片的数据转换成Tensor数据类型的变量，让Pytorch能够对其进行计算和处理。
# transforms.Compose()：可以被看做是一种容器，将数据处理方法组合到一起 
# transforms.RandomCrop(): 随机裁剪，对于载入的图片按照我们需要的大小进行随机裁剪。如果传入的是一个整型数据，那么裁剪的长和宽都是这个数值。
# transforms.Normalize(): 数据标准化，这里使用的是标准正态分布变换，这种方法需要使用原始数据的均值（Mean）和标准差（Standard Deviation）来进行数据的标准化，在经过标准化变换之后，数据全部符合均值为0、标准差为1的标准正态分布。
 
# 功能：逐channel的对图像进行标准化
# output = (input - mean) /std
# mean: 各通道的均值
# std： 各通道的标准差
# inplace: 是否原地操作

六、如何使用CIFAR10数据集

更多Transform模块方法详见博客。

Pytorch：transforms二十二种数据预处理方法及自定义transforms方法.

参考：https://blog.csdn.net/weixin_42475060/article/details/126175837