【动手学深度学习】(十)PyTorch 神经网络基础+GPU

文章目录

• 一、层和块
• • 1.自定义块
  • 2.顺序块
  • 3.在前向传播函数中执行代码
• 二、参数管理
• • 1.参数访问
  • 2.参数初始化
  • 3.参数绑定
• 三、自定义层
• • 1.不带参数的层
  • 2.带参数的层
• 四、读写文件
• • 1.加载和保存张量
  • 2.加载和保存模型参数
  • 五、使用GPU
• [相关总结]
• • state_dict()

一、层和块

为了实现复杂神经网络块，引入了神经网络块的概念。使用块进行抽象的一个好处是可以将一些块组合成更大的组件。

从编程的角度来看，块由类表示。

import torch
from torch import nn
from torch.nn import functional as F

net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
# nn.Sequential定义了一种特殊的Module

X = torch.rand(2, 20)
# print(X)
net(X)

tensor([[ 0.0479, 0.0093, -0.0509, 0.0863, -0.0410, -0.0043, -0.1234, -0.0119,

0.0347, -0.0381],

0.1190, 0.0932, -0.0282, 0.2016, -0.0204, -0.0272, -0.1753, 0.0427, -0.1553, -0.0589\]\], grad_fn=) ### 1.自定义块 每个块必须提供的基本功能： * 1.将输入数据作为其前向传播函数的参数。 * 2.通过前向传播函数来生成输出 * 3.计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。 * 4.存储和访问前向传播计算所需的参数。 * 5.根据需要初始化模型参数。 ex:编写块 ```python class MLP(nn.Module): def __init__(self): # 用模型参数声明层 super().__init__() #调用父类 self.hidden = nn.Linear(20, 256) #隐藏层 self.out = nn.Linear(256, 10) #输出层 def forward(self, X): return self.out(F.relu(self.hidden(X))) # 实例化多层感知机的层， 然后在每次调用正向传播函数时调用这些层 net = MLP() net(X) ``` ```powershell tensor([[-0.1158, -0.1282, -0.1533, 0.0258, 0.0228, 0.0202, -0.0638, -0.1078, 0.0511, 0.0913], [-0.1663, -0.0860, -0.2551, 0.1551, -0.0917, -0.0747, -0.2828, -0.2308, 0.1149, 0.1360]], grad_fn=) ``` ### 2.顺序块 ```python class MySequential(nn.Module): def __init__(self, *args): super().__init__() for block in args: # _module的类型是OrderedDict self._modules[block] = block def forward(self, X): # OrderedDict保证了按照成员添加的顺序遍历它们 for block in self._modules.values(): X = block(X) return X net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10)) net(X) ``` 当MySequential的前向传播函数被调用时， 每个添加的块都按照它们被添加的顺序执行。 ### 3.在前向传播函数中执行代码 self.rand_weight在实例化中被随机初始化，之后为常量，因此它永远不会被反向传播 ```python class FixedHiddenMLP(nn.Module): def __init__(self): super().__init__() # rand_weight不参加训练 self.rand_weight = torch.rand((20, 20), requires_grad=False) self.linear = nn.Linear(20, 20) def forward(self, X): X = self.linear(X) # 将X和rand_weight做矩阵乘法 X = F.relu(torch.mm(X, self.rand_weight) + 1) X = self.linear(X) while X.abs().sum() > 1: X /= 2 # 矩阵求和 return X.sum() net = FixedHiddenMLP() net(X) ``` ```powershell tensor(-0.1869, grad_fn=) ``` 混合搭配各种组合块 ```python class NestMLP(nn.Module): def __init__(self): super().__init__() self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(), nn.Linear(64, 32), nn.ReLU()) self.linear = nn.Linear(32, 16) def forward(self, X): return self.linear(self.net(X)) chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP()) chimera(X) ``` ```powershell tensor(-0.1363, grad_fn=) ``` ## 二、参数管理 在选择了架构并设置完超参数后，我们就进入了训练阶段。此时，我们的目标是找到损失函数最小的模型参数值。 ```python # 首先关注具有单隐层的多层感知机 import torch from torch import nn # net[0] net[1] net[2] net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1)) X = torch.rand(size=(2, 4)) net(X) ``` ```powershell tensor([[ 0.0699], [-0.0591]], grad_fn=) ``` ### 1.参数访问 当通过Sequential类定义模型时， 我们可以通过索引来访问模型的任意层。 这就像模型是一个列表一样，每层的参数都在其属性中。 如下所示，我们可以检查第二个全连接层的参数 ```python # net[2]为最后一个输出层 print(net[2].state_dict()) ``` 目标参数 ```python # 目标参数 # 访问具体参数 print(type(net[2].bias)) print(net[2].bias) print(net[2].bias.data) ``` 参数是复合的对象，包含值、梯度和额外信息。 这就是我们需要显式参数值的原因。 ```python net[2].weight.grad == None # 未进行反向传播,所以没有梯度 ``` ```powershell True ``` 一次性访问所有参数 ```python # 访问第一个全连接层的参数 print(*[(name, param.shape) for name, param in net[0].named_parameters()]) # 访问所有层 print(*[(name, param.shape) for name, param in net.named_parameters()]) # ReLU没有参数 ``` ```powershell ('weight', torch.Size([8, 4])) ('bias', torch.Size([8])) ('0.weight', torch.Size([8, 4])) ('0.bias', torch.Size([8])) ('2.weight', torch.Size([1, 8])) ('2.bias', torch.Size([1])) ``` ```python # net 根据名字获取参数 net.state_dict()['2.bias'].data ``` ```powershell tensor([0.1021]) ``` 从嵌套块收集参数 ```python def block1(): return nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 4), nn.ReLU()) def block2(): net = nn.Sequential() for i in range(4): # 向nn.Sequential中添加4个block1 net.add_module(f'block {i}', block1()) return net rgnet = nn.Sequential(block2(), nn.Linear(4, 1)) rgnet(X) ``` ```powershell tensor([[-0.2192], [-0.2192]], grad_fn=) ``` ```python # 通过print了解网络结构 print(rgnet) ``` ```powershell Sequential( (0): Sequential( (block 0): Sequential( (0): Linear(in_features=4, out_features=8, bias=True) (1): ReLU() (2): Linear(in_features=8, out_features=4, bias=True) (3): ReLU() ) (block 1): Sequential( (0): Linear(in_features=4, out_features=8, bias=True) (1): ReLU() (2): Linear(in_features=8, out_features=4, bias=True) (3): ReLU() ) (block 2): Sequential( (0): Linear(in_features=4, out_features=8, bias=True) (1): ReLU() (2): Linear(in_features=8, out_features=4, bias=True) (3): ReLU() ) (block 3): Sequential( (0): Linear(in_features=4, out_features=8, bias=True) (1): ReLU() (2): Linear(in_features=8, out_features=4, bias=True) (3): ReLU() ) ) (1): Linear(in_features=4, out_features=1, bias=True) ) ``` ### 2.参数初始化 1.内置初始化 ```python # _:表示替换函数 def init_normal(m): if type(m) == nn.Linear: nn.init.normal_(m.weight, mean=0, std=0.01) nn.init.zeros_(m.bias) net.apply(init_normal) net[0].weight.data[0], net[0].bias.data[0] ``` ```powershell (tensor([0.0033, 0.0066, 0.0160, 0.0042]), tensor(0.)) ``` 我们还可以将所有参数初始化为给定的常数 ```python def init_constant(m): if type(m) == nn.Linear: nn.init.constant_(m.weight, 1) nn.init.zeros_(m.bias) net.apply(init_constant) net[0].weight.data[0], net[0].bias.data[0] ``` ```powershell (tensor([1., 1., 1., 1.]), tensor(0.)) ``` 对某些块应用不同的初始化方法 ```python def xavier(m): if type(m) == nn.Linear: nn.init.xavier_normal(m.weight) def init_42(m): if type(m) == nn.Linear: nn.init.constant_(m.weight, 42) net[0].apply(xavier) net[2].apply(init_42) print(net[0].weight.data[0]) print(net[2].weight.data) ``` ```powershell tensor([ 0.6464, 0.5056, -0.7737, -0.7057]) tensor([[42., 42., 42., 42., 42., 42., 42., 42.]]) ``` 2.自定义初始化 有时,深度学习框架没有需要的初始化方法,如下:  ```python # 自定义初始化 def my_init(m): if type(m) == nn.Linear: print( "Init", *[(name, param.shape) for name, param in m.named_parameters()][0]) nn.init.uniform_(m.weight, -10, 10) m.weight.data *= m.weight.data.abs() >= 5 net.apply(my_init) net[0].weight[:2] ``` ```powershell Init weight torch.Size([8, 4]) Init weight torch.Size([1, 8]) tensor([[-0.0000, -0.0000, 0.0000, 0.0000], [ 6.8114, 0.0000, -7.4551, -9.6630]], grad_fn=) ``` 也可以直接设置参数 ```python net[0].weight.data[:] += 1 net[0].weight.data[0, 0] = 42 net[0].weight.data[0] ``` ### 3.参数绑定 ```python # 参数绑定 shared = nn.Linear(8, 8) net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), shared, nn.ReLU(), shared, nn.ReLU(), nn.Linear(8, 1)) net(X) print(net[2].weight.data[0] == net[4].weight.data[0]) net[2].weight.data[0, 0] = 100 print(net[2].weight.data[0] == net[4].weight.data[0]) ``` ```powershell tensor([True, True, True, True, True, True, True, True]) tensor([True, True, True, True, True, True, True, True]) ``` ## 三、自定义层 ### 1.不带参数的层 ```python import torch import torch.nn.functional as F from torch import nn class CenteredLayer(nn.Module): def __init__(self): super().__init__() def forward(self, X): return X - X.mean() layer = CenteredLayer() layer(torch.FloatTensor([1, 2, 3, 4, 5])) ``` ```powershell tensor([-2., -1., 0., 1., 2.]) ``` 将层作为组件合并到更复杂的模型中 ```python # 将层作为组件合并到构建更复杂的模型中 net = nn.Sequential(nn.Linear(8, 128), CenteredLayer()) Y = net(torch.rand(4, 8)) # print(Y) Y.mean() ``` ```powershell tensor(3.2596e-09, grad_fn=) ``` ### 2.带参数的层 ```python # 带参数的图层 class MyLinear(nn.Module): def __init__(self, in_units, units): super().__init__() self.weight = nn.Parameter(torch.randn(in_units, units)) self.bias = nn.Parameter(torch.randn(units,)) def forward(self, X): linear = torch.matmul(X, self.weight.data) + self.bias.data return F.relu(linear) dense = MyLinear(5, 3) dense.weight ``` ```powershell Parameter containing: tensor([[ 0.7481, 0.6183, 0.0382], [ 0.6040, 2.3991, 1.3484], [-0.3165, 0.0117, -0.4763], [-1.3920, 0.6106, 0.9668], [ 1.4701, 0.3283, -2.1701]], requires_grad=True) ``` ```python # 使用自定义层直接执行正向传播计算 dense(torch.rand(2,5)) ``` tensor(\[\[1.5235, 2.6890, 0.0000\], \[0.9825, 0.3581, 0.0000\]\]) ```python # 使用自定义层构建模型 net = nn.Sequential(MyLinear(64, 8), MyLinear(8, 1)) net(torch.rand(2, 64)) ``` tensor(\[\[11.0573\], \[25.9441\]\]) ## 四、读写文件 有时我们希望保存训练的模型， 以备将来在各种环境中使用（比如在部署中进行预测）。 此外，当运行一个耗时较长的训练过程时， 最佳的做法是定期保存中间结果， 以确保在服务器电源被不小心断掉时，不会损失几天的计算结果。 ### 1.加载和保存张量 单个张量：直接调用load和save进行读写， ```python # 这两个函数都要求我们提供一个名称，save要求将要保存的变量作为输入 import torch from torch import nn from torch.nn import functional as F x = torch.arange(4) torch.save(x, 'x-file') ``` ```python # 将存储在文件中的数据读回内存 x2 = torch.load('x-file') x2 ``` tensor(\[0, 1, 2, 3\]) 存储一个张量列表,读回内存 ```python y = torch.zeros(4) torch.save([x, y], 'x-files') x2, y2 = torch.load('x-files') (x2, y2) ``` (tensor(\[0, 1, 2, 3\]), tensor(\[0., 0., 0., 0.\])) 写入或读取从字符串映射到张量的字典 ```python # 写入或读取从字符串映射到张量的字 # 读取或写入模型中的所有权重时，这很方便 mydict = {'x':x, 'y': y} torch.save(mydict, 'mydict') mydict2 = torch.load('mydict') mydict2 ``` {'x': tensor(\[0, 1, 2, 3\]), 'y': tensor(\[0., 0., 0., 0.\])} ### 2.加载和保存模型参数 ```python # 深度学习框架提供了内置函数来保存和加载整个网络 # 保存模型的参数而不是保存整个模型 # 模型本身难以序列化，为了恢复模型，我们需要用代码生成架构 class MLP(nn.Module): def __init__(self): super().__init__() self.hidden = nn.Linear(20, 256) self.output = nn.Linear(256, 10) def forward(self, x): return self.output(F.relu(self.hidden(x))) net = MLP() X = torch.randn(size=(2, 20)) Y = net(X) ``` 将模型的参数存储在一个叫做"mlp.params"的文件中 ```python # print(net.state_dict()) torch.save(net.state_dict(), 'mlp.params') ``` ```python # 恢复模型，我们需要实例化原始多层感知机模型的一个备份 clone = MLP() clone.load_state_dict(torch.load('mlp.params')) # 从train模式调整为test模式 clone.eval() ``` MLP( (hidden): Linear(in_features=20, out_features=256, bias=True) (output): Linear(in_features=256, out_features=10, bias=True) ) ```python Y_clone = clone(X) Y_clone == Y ``` tensor(\[\[True, True, True, True, True, True, True, True, True, True\], \[True, True, True, True, True, True, True, True, True, True\]\]) ### 五、使用GPU 查看是否有GPU ```python !nvidia-smi ``` 计算设备 ```python import torch from torch import nn torch.device('cpu'), torch.cuda.device('cuda') ``` ```powershell (device(type='cpu'), ) ``` 查看可用gpu的数量 ```python torch.cuda.device_count() ``` 1 这两个函数允许我们在请求的GPU不存在的情况下运行代码 ```python def try_gpu(i=0): #@save """如果存在，则返回gpu(i)，否则返回cpu()""" if torch.cuda.device_count() >= i + 1: return torch.device(f'cuda:{i}') return torch.device('cpu') def try_all_gpus(): #@save """返回所有可用的GPU，如果没有GPU，则返回[cpu(),]""" devices = [torch.device(f'cuda:{i}') for i in range(torch.cuda.device_count())] return devices if devices else [torch.device('cpu')] try_gpu(), try_gpu(10), try_all_gpus() ``` (device(type='cuda', index=0), device(type='cpu'), \[device(type='cuda', index=0)\]) 查询张量所在的设备 ```python x = torch.tensor([1, 2, 3]) x.device ``` device(type='cpu') ```python # 存储在GPU上 X = torch.ones(2, 3, device=try_gpu()) X ``` tensor(\[\[1., 1., 1.\], \[1., 1., 1.\]\], device='cuda:0') ```python # 第二个GPU上创建一个随机张量 Y = torch.rand(2, 3, device=try_gpu(1)) Y ``` tensor(\[\[0.0755, 0.4800, 0.4188\], \[0.7192, 0.1506, 0.8517\]\]) ```python # 要计算X+Y，我们需要决定在哪里执行这个操作 Z = Y.cuda(0) print(Y) print(Z) ``` tensor(\[\[0.0755, 0.4800, 0.4188\], \[0.7192, 0.1506, 0.8517\]\]) tensor(\[\[0.0755, 0.4800, 0.4188\], \[0.7192, 0.1506, 0.8517\]\], device='cuda:0') ```python # 现在数据在同一个GPU上，我们可以将它们相加 X + Z ``` tensor(\[\[1.0755, 1.4800, 1.4188\], \[1.7192, 1.1506, 1.8517\]\], device='cuda:0') ```python Z.cuda(0) is Z ``` True 神经网络与GPU ```python net = nn.Sequential(nn.Linear(3, 1)) net = net.to(device=try_gpu()) net(X) ``` tensor(\[\[0.7477\], \[0.7477\]\], device='cuda:0', grad_fn=) ```python # 确认模型参数存储在同一个GPU上 net[0].weight.data.device ``` device(type='cuda', index=0) ## \[相关总结

state_dict()

torch.nn.Module模块中的state_dict可以用来存放训练过程中需要学习的权重和偏执系数,(模型参数,超参数,优化器等的状态信息),但是需要注意只有具有学习参数的层才有,比如:卷积层和线性层等