《动手学深度学习 pytorch版》代码笔记——第1-4章_动手学深度学习代码讲解

主要参考文档
【1】《动手学深度学习 pytorch版》
【2】《动手学深度学习》

对着敲代码时常会遇到零星问题，本篇博客意在记录实现过程中琐碎知识点，边学边记~

1. 线性回归部分

1.1 数据类型问题

报错： Expected object of scalar type Double but got scalar type Float for argument #2 ‘mat2’
异常代码行：

def linreg(X, w, b):
    return torch.mm(X, w) + b
1
2

解决：

• float32 对应 torch.FloatTensor；float64 对应 torch.DoubleTensor ，在初始定义数据时，要注意数据类型的统一

features = torch.randn(num_examples, num_inputs,dtype=torch.float32)
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()),dtype=torch.float32)
1
2

补充：

• 使用小工具自动查看tensor信息，在执行的时候，自动 print 出来每一行的执行结果的 tensor 的形状、数据类型、设备、是否需要梯度的信息。

PyTorch代码调试利器: 自动print每行代码的Tensor信息

• 第一步 pip install torchsnooper
• 第二步 @torchsnooper.snoop() 装饰下要调试的函数即可

@torchsnooper.snoop()
def linreg(X, w, b):
    return torch.mm(X, w) + b
1
2
3

1.2 optimizer.step()

Pytorch optimizer.step() 和loss.backward()和scheduler.step()的关系与区别 （Pytorch 代码讲解）

优化器工作需要两个东西

optimizer = optim.SGD(net.parameters(), lr=0.03)
1

1. 当前网络/其他模型的参数空间，于是上图中传入 net.parameters()
2. 反向传播的梯度信息，下方为SGD代码，step函数使用的是参数空间中的grad（即当前参数空间梯度）

    def step(self, closure=None):
        """Performs a single optimization step.

        Arguments:
            closure (callable, optional): A closure that reevaluates the model
                and returns the loss.
        """
        loss = None
        if closure is not None:
            loss = closure()

        for group in self.param_groups:
            weight_decay = group['weight_decay']
            momentum = group['momentum']
            dampening = group['dampening']
            nesterov = group['nesterov']

            for p in group['params']:
                if p.grad is None:
                    continue
                d_p = p.grad.data
                if weight_decay != 0:
                    d_p.add_(weight_decay, p.data)
                if momentum != 0:
                    param_state = self.state[p]
                    if 'momentum_buffer' not in param_state:
                        buf = param_state['momentum_buffer'] = torch.clone(d_p).detach()
                    else:
                        buf = param_state['momentum_buffer']
                        buf.mul_(momentum).add_(1 - dampening, d_p)
                    if nesterov:
                        d_p = d_p.add(momentum, buf)
                    else:
                        d_p = buf

                p.data.add_(-group['lr'], d_p)

        return loss
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

基于上述两方面，优化三步走 （求导和优化是两个步骤）

1. 前一次迭代梯度清零（防止梯度累加）optimizer.zero_grad()
2. 反向传播求梯度 l.backward()
3. 将更新的值应用到模型参数上 optimizer.step()

2. softmax部分

2.1 torch 和 torchvision

import torchvision时提示ImportError: DLL load failed: 找不到指定的模块

报错： import torchvision时提示ImportError: DLL load failed: 找不到指定的模块
解决： torch 和 torchvision版本是有匹配要求的，我的pytorch是1.1.0版本，试过其他教程提供的torchvision版本 都失败了。按照这个安装导入成功。
pip install torchvision==0.2.2.post3 -i https://pypi.tuna.tsinghua.edu.cn/simple

2.2 jupyter notebook 导入自己写的模块

jupyter运行py文件（py文件和ipynb文件互转）

• 自定义模块，需要是.py文件，不能用 d2lzh_pytorch.ipynb 这样的后缀
• 转化方式，在d2lzh_pytorch.ipynb目录文件下，打开终端，输入 jupyter nbconvert --to script d2lzh_pytorch.ipynb，转完之后就可以import了