Python 课程15-PyTorch

可愛小吉2024-09-18 10:30

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 nn

class 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 ReLU
        x = 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 Dataset

class MyDataset(Dataset):
    def __init__(self, data, labels):
        self.data = data
        self.labels = labels

    def __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 F

class 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 3x3
        self.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 1
        self.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 2
        self.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 -> ReLU
        x = 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 = 0.0
    for 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 nn

class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.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 LSTM
        out, _ = 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 = 0.0
    for 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。

相关推荐
开发者每周简报9 分钟前
求职市场变化
人工智能·面试·职场和发展
又蓝17 分钟前
使用 Python 操作 Excel 表格
开发语言·python·excel
AI前沿技术追踪23 分钟前
OpenAI 12天发布会：AI革命的里程碑@附35页PDF文件下载
人工智能
余~~1853816280029 分钟前
稳定的碰一碰发视频、碰一碰矩阵源码技术开发，支持OEM
开发语言·人工智能·python·音视频
0zxm39 分钟前
06 - Django 视图view
网络·后端·python·django
galileo20161 小时前
LLM与金融
人工智能
Am心若依旧4091 小时前
[c++11(二)]Lambda表达式和Function包装器及bind函数
开发语言·c++
明月看潮生1 小时前
青少年编程与数学 02-004 Go语言Web编程 20课题、单元测试
开发语言·青少年编程·单元测试·编程与数学·goweb
大G哥1 小时前
java提高正则处理效率
java·开发语言
DREAM依旧1 小时前
隐马尔科夫模型|前向算法|Viterbi 算法
人工智能
热门推荐
01【一文读懂】NTN（非地面网络）技术介绍02优化手机性能，解决卡顿问题：关闭这3个微信开关，释放内存空间03玄机平台应急响应—webshell查杀0419个Web前端交互式3D JavaScript框架和库05基于大语言模型（LLM）的合成数据生成、策展和评估的综述06(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明07Cube-Studio：开源大模型全链路一站式中台08HCIA-datacom数通题库和录播视频资料09Docker 夺命连环 15 问10组基轨迹建模 GBTM的介绍与实现（Stata 或 R）