• 强大的PyTorch:10分钟让你了解深度学习领域新流行的框架


    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:

    1. 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。
    2. torch.autograd:用于构建计算图形并自动获取渐变的包
    3. torch.nn:具有共同层和成本函数的神经网络库
    4. 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
    <torch.autograd._functions.reduce.Sum object at 0x7f1e59988790>
    # 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: <bound method Linear.parameters of Linear (5 -> 3)>
    # 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,阿里云云栖社区组织翻译。

    文章原标题《Understand PyTorch code in 10 minutes》,

    作者: Hamidreza Saghir,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

  • 相关阅读:
    PHP静态页生成
    svn部署web项目
    Nginx出现403 forbidden
    Node-red的基础使用——inject/debug/function的使用(1)
    功能/性能测试报告的编写格式及模板
    node-red在不同环境安装步骤
    node-red实现接口自动化测试——初步认识
    docker删除image
    django测试开发,例一个接口的开发逻辑
    django测试平台开发,登录,验证,退出
  • 原文地址:https://www.cnblogs.com/jzy996492849/p/7229083.html
Copyright © 2020-2023  润新知