深度学习之Pytorch基础教程！

随着深度学习的发展，深度学习框架开始大量的出现。尤其是近两年，Google、Facebook、Microsoft等巨头都围绕深度学习重点投资了一系列新兴项目，他们也一直在支持一些开源的深度学习框架。目前研究人员正在使用的深度学习框架不尽相同，有 TensorFlow 、Pytorch、Caffe、Theano、Keras等。

这其中，TensorFlow和Pytorch占据了深度学习的半壁江山。前几天分享了TensorFlow的基本教程后，很多人在后台留言说能不能写写Pytorch入门。本着粉丝的诉求必须满足的原则，熬夜干，有了今天的文章。所以你懂我意思吧，记得转发、点赞、在看三联。
本文结合Pytorch官方教程、邱锡鹏老师的《神经网络与深度学习》和李沐老师的《动手学深度学习》，为大家介绍的一下Pytorch深度学习框架。具体目录如下：

一、数据操作

import torch

1.1 创建TENSOR

# 创建未初始化的Tensor
x = torch.empty(5,3)
print(x)

# 创建随机初始化的Tensor
x = torch.rand(5,3)
print(x)

# 创建全为0的Tensor
x = torch.zeros(5,3,dtype=torch.long)
print(x)

# 根据数据创建Tensor
x = torch.tensor([5.5,3])
print(x)

# 修改原Tensor为全1的Tensor
x = x.new_ones(5,3,dtype=torch.float64)
print(x)
# 修改数据类型
x = torch.rand_like(x,dtype=torch.float64)
print(x)

# 获取Tensor的形状
print(x.size())
print(x.shape)
# 注意：返回的torch.Size其实就是⼀一个tuple, ⽀支持所有tuple的操作。

这些创建方法都可以在创建的时候指定数据类型dtype和存放device(cpu/gpu)。
1.2 操作
1.2.1 算术操作
在PyTorch中，同⼀种操作可能有很多种形式，下⾯面⽤用加法作为例子。

# 形式1：
y = torch.rand(5,3)
print(x+y)

# 形式2
print(torch.add(x,y))
# 还可以指定输出
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)

# 形式3
y.add_(x)
print(y)

1.2.2 索引

我们还可以使⽤类似NumPy的索引操作来访问 Tensor 的一部分，需要注意的是：索引出来的结果与原数据共享内存，也即修改⼀个，另⼀个会跟着修改。

y = x[0,:]
y += 1
print(y)
print(x[0,:])  # 观察x是否改变了

1.2.3 改变形状

注意 view() 返回的新tensor与源tensor共享内存（其实是同⼀个tensor），也即更改其中的⼀个，另 外⼀个也会跟着改变。(顾名思义，view仅是改变了对这个张量的观察角度)

y = x.view(15)
z = x.view(-1,5) #  -1所指的维度可以根据其他维度的值推出来
print(x.size(),y.size(),z.size())

x += 1print(x)print(y)

所以如果我们想返回⼀个真正新的副本（即不共享内存）该怎么办呢？Pytorch还提供了⼀ 个 reshape() 可以改变形状，但是此函数并不能保证返回的是其拷贝，所以不推荐使用。推荐先 ⽤ clone 创造一个副本然后再使⽤ view 。

x_cp = x.clone().view(15)x -= 1print(x)print(x_cp)

另外⼀个常用的函数就是 item() , 它可以将⼀个标量 Tensor 转换成⼀个Python

number：x = torch.randn(1)print(x)print(x.item())

1.2.4 线性代数

官方文档：https://pytorch.org/docs/stable/torch.html
1.3 广播机制
前⾯我们看到如何对两个形状相同的 Tensor 做按元素运算。当对两个形状不同的 Tensor 按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个 Tensor 形状相同后再按元素运算。例如：
x = torch.arange(1,3).view(1,2)print(x)y = torch.arange(1,4).view(3,1)print(y)print(x+y)

1.4 Tensor和Numpy相互转化

我们很容易⽤ numpy() 和 from_numpy() 将 Tensor 和NumPy中的数组相互转换。但是需要注意的⼀点是：这两个函数所产生的的 Tensor 和NumPy中的数组共享相同的内存（所以他们之间的转换很快），改变其中⼀个时另⼀个也会改变！！！
a = torch.ones(5)b = a.numpy()print(a,b)

a += 1print(a,b)

b += 1print(a,b)

使⽤ from_numpy() 将NumPy数组转换成 Tensor :

import numpy as npa = np.ones(5)b = torch.from_numpy(a)print(a,b)

a += 1print(a,b)b += 1print(a,b)

1.5 GPU运算
# let us run this cell only if CUDA is available# We will use torch.device objects to move tensors in and out of GPUif torch.cuda.is_available(): device = torch.device(“cuda”) # a CUDA device object y = torch.ones_like(x, device=device) # directly create a tensor on GPU x = x.to(device) # or just use strings .to("cuda") z = x + y print(z) print(z.to(“cpu”, torch.double)) # .to can also change dtype together!

二、自动求梯度（非常重要）

很多人看到这里是懵的，因为为什么会得出导数的结果，在这里我给出自动求导的一些原理性的知识，希望能帮助大家更好的学习pytorch这个重要的框架。
该autograd软件包是PyTorch中所有神经网络的核心。让我们首先简要地访问它，然后我们将去训练我们的第一个神经网络。
该autograd软件包可自动区分张量上的所有操作。这是一个按运行定义的框架，这意味着您的backprop是由代码的运行方式定义的，并且每次迭代都可以不同。
如果想了解数值微分数值积分和自动求导的知识，可以查看邱锡鹏老师的《神经网络与深度学习》第四章第五节：
下载地址：https://nndl.github.io/
在这里简单说说自动微分的原理吧：我们的目标是求

在 处的导数。我们的做法是利用链式法则分解为一系列的操作：



2.1 张量及张量的求导（Tensor）
# 加入requires_grad=True参数可追踪函数求导x = torch.ones(2,2,requires_grad=True)print(x)print(x.grad_fn)

# 进行运算y = x + 2print(y)print(y.grad_fn) # 创建了一个加法操作

像x这种直接创建的称为叶子节点，叶子节点对应的 grad_fn 是 None 。

print(x.isleaf,y.is_leaf)

# 整点复杂的操作z = y y 3out = z.mean()print(z,out)

.requires_grad( … )改变requires_grad 的属性。

a = torch.randn(2,2) # 缺失情况下默认 requiresgrad = Falsea = ((a*3)/(a-1))print(a.requires_grad) # Falsea.requires_grad(True)print(a.requiresgrad)b = (aa).sum()print(b.grad_fn)

*2.2 梯度
现在让我们反向传播：因为out包含单个标量，out.backward()所以等效于out.backward(torch.tensor(1.))。
out.backward()print(x.grad)

# 再来反向传播⼀次，注意grad是累加的out2 = x.sum()out2.backward()print(x.grad)
out3 = x.sum()x.grad.data.zero()out3.backward()print(x.grad)

三、神经网络设计的pytorch版本
这是一个简单的前馈网络。它获取输入，将其一层又一层地馈入，然后最终给出输出。神经网络的典型训练过程如下：

• 定义具有一些可学习参数（或权重）的神经网络
• 遍历输入数据集
• 通过网络处理输入
• 计算损失（输出正确的距离有多远）
• 将梯度传播回网络参数
• 通常使用简单的更新规则来更新网络的权重：weight = weight - learning_rate * gradient

3.1 定义网络

import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        # 1 input image channel, 6 output channels, 3x3 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1,6,3)
        self.conv2 = nn.Conv2d(6,16,3)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16*6*6,120)   # 6*6 from image dimension
        self.fc2 = nn.Linear(120,84)
        self.fc3 = nn.Linear(84,10)
    def forward(self,x):
        # Max pooling over a (2, 2) window
        x = F.max_pool2d(F.relu(self.conv1(x)),(2,2))  # CLASStorch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
        x = F.max_pool2d(F.relu(self.conv2(x)),2)
        x = x.view(-1,self.num_flat_features(x))
        x = F.relu(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:] # all dimensions except the batch dimension
        num_features = 1
        for s in size:
            num_features *= s
        print(num_features)
        return num_features
net = Net()
print(net)

# 模型的可学习参数由返回 net.parameters()
params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1's .weight

# 尝试一个32x32随机输入
input = torch.randn(1,1,32,32)
out = net(input)
print(out)

# 用随机梯度将所有参数和反向传播器的梯度缓冲区归零：
net.zero_grad()
out.backward(torch.randn(1,10))

3.2 损失函数

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)

我们现在的网络结构：

# 如果loss使用.grad_fn属性的属性向后移动，可查看网络结构
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

3.3 更新权重

实践中使用的最简单的更新规则是随机梯度下降（SGD）：
weight = weight - learning_rate * gradient

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()

576
四、写到最后
今天，要讲的Pytorch基础教程到这里就结束了，相信大家通过上边的学习已经对Pytorch基础教程有了初步的了解。
关于Pytorch的项目实践，阿里天池「零基础入门NLP」学习赛中提供了Pytorch版实践教程，供学习参考（阅读原文直接跳转）：
https://tianchi.aliyun.com/competition/entrance/531810/forum