当前位置： 首页 > news >正文

Python 课程15-PyTorch

news 2024/11/15 23:49:07

前言

PyTorch 是一个开源的深度学习框架，由 Facebook 开发，广泛应用于学术研究和工业领域。与 TensorFlow 类似，PyTorch 提供了强大的工具用于构建和训练深度学习模型。PyTorch 的动态计算图和灵活的 API 使得它特别适合研究和实验。它还支持 GPU 加速，适用于构建复杂的神经网络。

本教程将详细介绍 PyTorch 的每个常用指令和功能，帮助你从基础知识开始，逐步掌握如何使用 PyTorch 进行深度学习开发。

目录

  1. PyTorch 基础

    • 安装 PyTorch
    • 创建张量（Tensors）
    • 张量操作与计算
    • 自动微分与反向传播

  2. 神经网络构建

    • 使用 nn.Module 构建神经网络
    • 激活函数与损失函数
    • 优化器：SGD、Adam 等
    • 自定义训练循环

  3. 高级功能

    • 数据集与数据加载器
    • 使用 GPU 加速模型训练
    • 保存与加载模型

  4. 卷积神经网络 (CNN)

    • 构建 CNN 模型
    • 训练与评估 CNN

  5. 递归神经网络 (RNN)

    • 构建 RNN 与 LSTM
    • 训练与评估 RNN 模型

1. PyTorch 基础

安装 PyTorch

PyTorch 可以通过 pip 安装。你可以根据你的操作系统和硬件（例如 GPU）选择合适的安装命令：

pip install torch torchvision torchaudio

 导入 PyTorch：

import torch
创建张量（Tensors）

张量是 PyTorch 中的核心数据结构，它类似于 NumPy 数组，但支持 GPU 加速。

  • 创建张量： 
    # 创建一个 3x3 的随机张量
x = torch.rand(3, 3)
print(x)# 创建一个全 0 张量
x = torch.zeros(3, 3)
print(x)# 创建一个全 1 张量
x = torch.ones(3, 3)
print(x)
  • 从列表或 NumPy 创建张量： 
    import numpy as np# 从列表创建张量
x = torch.tensor([1, 2, 3, 4])
print(x)# 从 NumPy 数组创建张量
np_array = np.array([5, 6, 7, 8])
x = torch.from_numpy(np_array)
print(x)
    张量操作与计算

    PyTorch 提供了多种张量运算函数，如加法、乘法、矩阵乘法等。它们与 NumPy 的操作类似，但支持自动微分。

  • 基本运算： 
    x = torch.rand(3, 3)
y = torch.rand(3, 3)# 加法
z = x + y
print(z)# 乘法
z = x * y
print(z)# 矩阵乘法
z = torch.matmul(x, y)
print(z)
  • 重塑张量： 
    x = torch.rand(16)# 重塑为 4x4 的张量
x_reshaped = x.view(4, 4)
print(x_reshaped)
    自动微分与反向传播

    PyTorch 的自动微分机制通过 autograd 实现，它能够自动计算张量的梯度，从而实现反向传播。

  • 计算梯度： 
    # 创建一个张量，并设置 requires_grad=True 以跟踪其梯度
x = torch.tensor([2.0, 3.0], requires_grad=True)# 定义一个简单的函数
y = x[0]**2 + x[1]**3# 进行反向传播，计算梯度
y.backward()# 输出梯度
print(x.grad)  # x[0] 的梯度是 4.0，x[1] 的梯度是 27.0

2. 神经网络构建

PyTorch 提供了 torch.nn 模块，用于构建神经网络。通过继承 nn.Module 类，你可以创建自定义的神经网络。

使用 nn.Module 构建神经网络

以下是一个使用 PyTorch 构建的简单前馈神经网络：

import torch.nn as nnclass SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 = nn.Linear(28 * 28, 128)  # 输入层到隐藏层self.fc2 = nn.Linear(128, 64)       # 隐藏层self.fc3 = nn.Linear(64, 10)        # 输出层def forward(self, x):x = x.view(-1, 28 * 28)  # 展平输入x = torch.relu(self.fc1(x))  # 激活函数 ReLUx = torch.relu(self.fc2(x))x = self.fc3(x)return x# 创建模型实例
model = SimpleNN()
print(model)
激活函数与损失函数
  • 激活函数：PyTorch 提供了多种激活函数，可以在网络的前向传播中使用。 
    # 使用 ReLU 激活函数
x = torch.rand(5, 5)
x = torch.relu(x)
  • 损失函数：用于计算模型预测与真实标签之间的误差。
criterion = nn.CrossEntropyLoss()  # 适用于分类问题的交叉熵损失
优化器：SGD、Adam 等

优化器用于更新模型参数。PyTorch 提供了多种优化器，如 SGD 和 Adam。

  • 使用 SGD 优化器： 
    import torch.optim as optim# 使用 SGD 优化器
optimizer = optim.SGD(model.parameters(), lr=0.01)
  • 使用 Adam 优化器： 
    optimizer = optim.Adam(model.parameters(), lr=0.001)
自定义训练循环

以下是一个简单的训练循环示例，用于训练神经网络模型。

# 假设我们有训练数据 loader
for epoch in range(10):for batch_idx, (data, target) in enumerate(train_loader):# 将梯度置零optimizer.zero_grad()# 前向传播output = model(data)loss = criterion(output, target)# 反向传播loss.backward()# 更新权重optimizer.step()print(f'Epoch {epoch + 1}, Loss: {loss.item()}')

3. 高级功能

数据集与数据加载器

PyTorch 提供了 torch.utils.data 模块，用于加载数据集。你可以使用内置的数据集，或者自定义自己的数据集。

  • 使用内置数据集（MNIST）： 
    from torchvision import datasets, transforms# 定义数据变换
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,))
])# 加载 MNIST 数据集
train_dataset = datasets.MNIST(root='data', train=True, transform=transform, download=True)
test_dataset = datasets.MNIST(root='data', train=False, transform=transform, download=True)# 创建数据加载器
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=32, shuffle=False)
  • 自定义数据集： 
    from torch.utils.data import Datasetclass MyDataset(Dataset):def __init__(self, data, labels):self.data = dataself.labels = labelsdef __len__(self):return len(self.data)def __getitem__(self, idx):return self.data[idx], self.labels[idx]

使用 GPU 加速模型训练

PyTorch 支持使用 GPU 加速模型训练。你可以通过将模型和张量移动到 GPU 上来加速计算。

  • 检查 GPU 可用性： 
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(device)
  • 将模型和数据移动到 GPU：
model.to(device)# 将数据移动到 GPU
data, target = data.to(device), target.to(device)
保存与加载模型

你可以通过保存和加载模型的权重来持久化训练的模型。

  • 保存模型： 
    torch.save(model.state_dict(), 'model.pth')
  • 加载模型： 
    model = SimpleNN()
model.load_state_dict(torch.load('model.pth'))

4. 卷积神经网络 (CNN)

卷积神经网络（CNN）在处理图像数据时非常有效。它能够通过卷积层提取图像的局部特征，并通过池化层减少特征图的维度。以下部分将详细介绍如何在 PyTorch 中构建和训练 CNN 模型。

构建 CNN 模型

我们将使用 PyTorch 的 torch.nn 模块构建一个 CNN 模型来处理 MNIST 手写数字分类任务。该模型包含卷积层、池化层和全连接层。

import torch.nn as nn
import torch.nn.functional as Fclass CNN(nn.Module):def __init__(self):super(CNN, self).__init__()# 卷积层 1：输入 1 个通道，输出 32 个通道，卷积核 3x3self.conv1 = nn.Conv2D(1, 32, kernel_size=3)# 卷积层 2：输入 32 个通道，输出 64 个通道self.conv2 = nn.Conv2D(32, 64, kernel_size=3)# 最大池化层：2x2 核self.pool = nn.MaxPool2D(2, 2)# 全连接层 1self.fc1 = nn.Linear(64 * 12 * 12, 128)  # MNIST 图像 28x28，经过两次卷积和池化后为 12x12# 全连接层 2self.fc2 = nn.Linear(128, 10)  # 输出为 10 类别（0-9）def forward(self, x):# 前向传播x = self.pool(F.relu(self.conv1(x)))  # 卷积 -> ReLU -> 池化x = self.pool(F.relu(self.conv2(x)))  # 卷积 -> ReLU -> 池化x = x.view(-1, 64 * 12 * 12)          # 展平张量以适配全连接层x = F.relu(self.fc1(x))               # 全连接层 -> ReLUx = self.fc2(x)                       # 输出层return x# 实例化模型
model = CNN()
print(model)
训练与评估 CNN 模型

接下来，我们将训练这个 CNN 模型，并在 MNIST 数据集上进行评估。

  • 数据加载与准备： 
    import torch.optim as optim
from torchvision import datasets, transforms# 定义图像变换：将图像转换为张量并标准化
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])# 加载 MNIST 数据集
train_dataset = datasets.MNIST(root='data', train=True, transform=transform, download=True)
test_dataset = datasets.MNIST(root='data', train=False, transform=transform, download=True)train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=32, shuffle=False)
  • 编译模型：我们将使用 交叉熵损失 和 Adam 优化器 来训练模型。 
    criterion = nn.CrossEntropyLoss()  # 交叉熵损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam 优化器
  • 训练模型：以下是训练循环代码，它包括前向传播、计算损失、反向传播以及权重更新。 
    for epoch in range(10):  # 训练 10 个周期running_loss = 0.0for i, (inputs, labels) in enumerate(train_loader):# 梯度清零optimizer.zero_grad()# 前向传播outputs = model(inputs)loss = criterion(outputs, labels)# 反向传播loss.backward()optimizer.step()# 打印损失值running_loss += loss.item()if i % 100 == 99:  # 每 100 个 batch 打印一次print(f'Epoch {epoch + 1}, Batch {i + 1}, Loss: {running_loss / 100:.3f}')running_loss = 0.0
  • 模型评估：在测试集上评估模型的准确性。 
    correct = 0
total = 0
model.eval()  # 设置模型为评估模式
with torch.no_grad():  # 禁用梯度计算，以提高推理速度for inputs, labels in test_loader:outputs = model(inputs)_, predicted = torch.max(outputs, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print(f'Accuracy on test set: {100 * correct / total:.2f}%')

5. 递归神经网络 (RNN)

递归神经网络（RNN）特别适合处理序列数据，例如时间序列、自然语言处理等任务。PyTorch 提供了多种 RNN 层，如 RNN、GRU 和 LSTM。

构建 RNN 与 LSTM 模型

LSTM（长短期记忆网络）是一种改进的 RNN，能够更好地处理长期依赖关系。下面是一个简单的 LSTM 模型。

import torch.nn as nnclass LSTM(nn.Module):def __init__(self, input_size, hidden_size, num_layers, output_size):super(LSTM, self).__init__()self.hidden_size = hidden_sizeself.num_layers = num_layers# 定义 LSTM 层self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)# 全连接层self.fc = nn.Linear(hidden_size, output_size)def forward(self, x):# 初始化隐藏状态和记忆状态h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)# 前向传播 LSTMout, _ = self.lstm(x, (h0, c0))# 取最后一个时间步的输出out = self.fc(out[:, -1, :])return out# 实例化 LSTM 模型
model = LSTM(input_size=28, hidden_size=128, num_layers=2, output_size=10)
print(model)
训练与评估 RNN 模型
  • 数据加载：

假设我们使用 MNIST 数据集，但将每行像素视为序列输入。

train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=32, shuffle=False)
  • 训练模型：
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)for epoch in range(10):running_loss = 0.0for i, (inputs, labels) in enumerate(train_loader):inputs = inputs.view(-1, 28, 28)  # 将图像展平为序列形式optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()if i % 100 == 99:print(f'Epoch {epoch + 1}, Batch {i + 1}, Loss: {running_loss / 100:.3f}')running_loss = 0.0
  • 评估模型：
correct = 0
total = 0
model.eval()
with torch.no_grad():for inputs, labels in test_loader:inputs = inputs.view(-1, 28, 28)outputs = model(inputs)_, predicted = torch.max(outputs, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print(f'Accuracy on test set: {100 * correct / total:.2f}%')

结论

通过本教程，你已经学习了如何使用 PyTorch 进行深度学习项目的构建与训练。PyTorch 强大的灵活性和动态计算图，使它成为了学术研究和工业应用中的首选工具。它提供了简洁的 API，可以让你轻松实现复杂的神经网络模型，并通过 GPU 加速显著提升训练效率。


http://www.mrgr.cn/news/29062.html

相关文章：

  • Redis HyperLogLog
  • Tofu AI视频处理模块视频输入配置方法
  • 自動換IP為什麼會不穩定？
  • 猫头虎分享： 小米大模型升级第二代MiLM2：从一代到二代，能力飞跃提升
  • R语言机器学习与临床预测模型77--机器学习预测常用R语言包
  • Spring Boot 的生命周期
  • SAP到底是谁的系统？business or IT?
  • IDEA 2024.3 EAP新特征早览！
  • 电脑的固态硬盘
  • 53 最大子数组和
  • 【FreeRL】Rainbow_DQN的实现和测试
  • AI教你学Python ：详解Python元组与集合、字典基础和字符串操作（补充）
  • 学成在线练习（HTML+CSS)
  • Spring 源码解读：手动实现Environment抽象与配置属性
  • 【前端】prop传值的用法
  • 等保测评：企业如何选择合适的测评机构
  • Vue特性
  • C++11新增特性：lambda表达式、function包装器、bind绑定
  • Python 爬虫入门 - Request 静态页面数据获取
  • 《微信小程序实战（2） · 组件封装》
  • ubuntu虚拟机装载共享文件夹导致的诡异错误
  • 太阳能光伏板航拍红外图像缺陷分类数据集
  • funny lidar slam
  • 前端基于Rust实现的Wasm进行图片压缩的技术文档
  • 阿德里安·欧拉博士Dr Adrian Euler
  • java多线程模拟多个售票员从同一个票池售票