本來(lái)是只用Tenorflow的，但是因?yàn)門F有些Numpy特性并不支持，比如對(duì)數(shù)組使用列表進(jìn)行切片，所以只能轉(zhuǎn)戰(zhàn)Pytorch了（pytorch是支持的）。還好Pytorch比較容易上手，幾乎完美復(fù)制了Numpy的特性（但還有一些特性不支持），怪不得熱度上升得這么快。

1 模型定義

和TF很像，Pytorch也通過(guò)繼承父類來(lái)搭建自定義模型，同樣也是實(shí)現(xiàn)兩個(gè)方法。在TF中是__init__()和call()，在Pytorch中則是__init__()和forward()。功能類似，都分別是初始化模型內(nèi)部結(jié)構(gòu)和進(jìn)行推理。其它功能比如計(jì)算loss和訓(xùn)練函數(shù)，你也可以繼承在里面，當(dāng)然這是可選的。下面搭建一個(gè)判別MNIST手寫字的Demo，首先給出模型代碼：

import numpy as npimport matplotlib.pyplot as plt import torch from torch import nn,optim from torchsummary import summary from keras.datasets import mnistfrom keras.utils import to_categoricaldevice = torch.device(’cuda’) #——————1—————— class ModelTest(nn.Module): def __init__(self,device): super().__init__() self.layer1 = nn.Sequential(nn.Flatten(),nn.Linear(28*28,512),nn.ReLU())#——————2—————— self.layer2 = nn.Sequential(nn.Linear(512,512),nn.ReLU()) self.layer3 = nn.Sequential(nn.Linear(512,512),nn.ReLU()) self.layer4 = nn.Sequential(nn.Linear(512,10),nn.Softmax()) self.to(device) #——————3—————— self.opt = optim.SGD(self.parameters(),lr=0.01)#——————4—————— def forward(self,inputs): #——————5—————— x = self.layer1(inputs) x = self.layer2(x) x = self.layer3(x) x = self.layer4(x) return x def get_loss(self,true_labels,predicts): loss = -true_labels * torch.log(predicts) #——————6—————— loss = torch.mean(loss) return loss def train(self,imgs,labels): predicts = model(imgs) loss = self.get_loss(labels,predicts) self.opt.zero_grad()#——————7—————— loss.backward()#——————8—————— self.opt.step()#——————9——————model = ModelTest(device)summary(model,(1,28,28),3,device=’cuda’) #——————10——————

#1：獲取設(shè)備，以方便后面的模型與變量進(jìn)行內(nèi)存遷移，設(shè)備名只有兩種：’cuda’和’cpu’。通常是在你有GPU的情況下需要這樣顯式進(jìn)行設(shè)備的設(shè)置，從而在需要時(shí)，你可以將變量從主存遷移到顯存中。如果沒有GPU，不獲取也沒事，pytorch會(huì)默認(rèn)將參數(shù)都保存在主存中。

#2：模型中層的定義，可以使用Sequential將想要統(tǒng)一管理的層集中表示為一層。

#3：在初始化中將模型參數(shù)遷移到GPU顯存中，加速運(yùn)算，當(dāng)然你也可以在需要時(shí)在外部執(zhí)行model.to(device)進(jìn)行遷移。

#4：定義模型的優(yōu)化器，和TF不同，pytorch需要在定義時(shí)就將需要梯度下降的參數(shù)傳入，也就是其中的self.parameters()，表示當(dāng)前模型的所有參數(shù)。實(shí)際上你不用擔(dān)心定義優(yōu)化器和模型參數(shù)的順序問(wèn)題，因?yàn)閟elf.parameters()的輸出并不是模型參數(shù)的實(shí)例，而是整個(gè)模型參數(shù)對(duì)象的指針，所以即使你在定義優(yōu)化器之后又定義了一個(gè)層，它依然能優(yōu)化到。當(dāng)然優(yōu)化器你也可以在外部定義，傳入model.parameters()即可。這里定義了一個(gè)隨機(jī)梯度下降。

#5：模型的前向傳播，和TF的call()類似，定義好model()所執(zhí)行的就是這個(gè)函數(shù)。

#6：我將獲取loss的函數(shù)集成在了模型中，這里計(jì)算的是真實(shí)標(biāo)簽和預(yù)測(cè)標(biāo)簽之間的交叉熵。

#7/8/9：在TF中，參數(shù)梯度是保存在梯度帶中的，而在pytorch中，參數(shù)梯度是各自集成在對(duì)應(yīng)的參數(shù)中的，可以使用tensor.grad來(lái)查看。每次對(duì)loss執(zhí)行backward()，pytorch都會(huì)將參與loss計(jì)算的所有可訓(xùn)練參數(shù)關(guān)于loss的梯度疊加進(jìn)去（直接相加）。所以如果我們沒有疊加梯度的意愿的話，那就要在backward()之前先把之前的梯度刪除。又因?yàn)槲覀兦懊嬉呀?jīng)把待訓(xùn)練的參數(shù)都傳入了優(yōu)化器，所以，對(duì)優(yōu)化器使用zero_grad()，就能把所有待訓(xùn)練參數(shù)中已存在的梯度都清零。那么梯度疊加什么時(shí)候用到呢？比如批量梯度下降，當(dāng)內(nèi)存不夠直接計(jì)算整個(gè)批量的梯度時(shí)，我們只能將批量分成一部分一部分來(lái)計(jì)算，每算一個(gè)部分得到loss就backward()一次，從而得到整個(gè)批量的梯度。梯度計(jì)算好后，再執(zhí)行優(yōu)化器的step()，優(yōu)化器根據(jù)可訓(xùn)練參數(shù)的梯度對(duì)其執(zhí)行一步優(yōu)化。

#10：使用torchsummary函數(shù)顯示模型結(jié)構(gòu)。奇怪為什么不把這個(gè)繼承在torch里面，要重新安裝一個(gè)torchsummary庫(kù)。

2 訓(xùn)練及可視化

接下來(lái)使用模型進(jìn)行訓(xùn)練，因?yàn)閜ytorch自帶的MNIST數(shù)據(jù)集并不好用，所以我使用的是Keras自帶的，定義了一個(gè)獲取數(shù)據(jù)的生成器。下面是完整的訓(xùn)練及繪圖代碼（50次迭代記錄一次準(zhǔn)確率）：

import numpy as npimport matplotlib.pyplot as plt import torch from torch import nn,optim from torchsummary import summary from keras.datasets import mnistfrom keras.utils import to_categoricaldevice = torch.device(’cuda’) #——————1—————— class ModelTest(nn.Module): def __init__(self,device): super().__init__() self.layer1 = nn.Sequential(nn.Flatten(),nn.Linear(28*28,512),nn.ReLU())#——————2—————— self.layer2 = nn.Sequential(nn.Linear(512,512),nn.ReLU()) self.layer3 = nn.Sequential(nn.Linear(512,512),nn.ReLU()) self.layer4 = nn.Sequential(nn.Linear(512,10),nn.Softmax()) self.to(device) #——————3—————— self.opt = optim.SGD(self.parameters(),lr=0.01)#——————4—————— def forward(self,inputs): #——————5—————— x = self.layer1(inputs) x = self.layer2(x) x = self.layer3(x) x = self.layer4(x) return x def get_loss(self,true_labels,predicts): loss = -true_labels * torch.log(predicts) #——————6—————— loss = torch.mean(loss) return loss def train(self,imgs,labels): predicts = model(imgs) loss = self.get_loss(labels,predicts) self.opt.zero_grad()#——————7—————— loss.backward()#——————8—————— self.opt.step()#——————9——————def get_data(device,is_train = True, batch = 1024, num = 10000): train_data,test_data = mnist.load_data() if is_train: imgs,labels = train_data else: imgs,labels = test_data imgs = (imgs/255*2-1)[:,np.newaxis,...] labels = to_categorical(labels,10) imgs = torch.tensor(imgs,dtype=torch.float32).to(device) labels = torch.tensor(labels,dtype=torch.float32).to(device) i = 0 while(True): i += batch if i > num: i = batch yield imgs[i-batch:i],labels[i-batch:i] train_dg = get_data(device, True,batch=4096,num=60000) test_dg = get_data(device, False,batch=5000,num=10000) model = ModelTest(device) summary(model,(1,28,28),11,device=’cuda’) ACCs = []import timestart = time.time()for j in range(20000): #訓(xùn)練 imgs,labels = next(train_dg) model.train(imgs,labels) #驗(yàn)證 img,label = next(test_dg) predicts = model(img) acc = 1 - torch.count_nonzero(torch.argmax(predicts,axis=1) - torch.argmax(label,axis=1))/label.shape[0] if j % 50 == 0: t = time.time() - start start = time.time() ACCs.append(acc.cpu().numpy()) print(j,t,’ACC: ’,acc)#繪圖x = np.linspace(0,len(ACCs),len(ACCs))plt.plot(x,ACCs)

準(zhǔn)確率變化圖如下：

3 其它使用技巧

3.1 tensor與array

需要注意的是，pytorch的tensor基于numpy的array，它們是共享內(nèi)存的。也就是說(shuō)，如果你把tensor直接插入一個(gè)列表，當(dāng)你修改這個(gè)tensor時(shí)，列表中的這個(gè)tensor也會(huì)被修改；更容易被忽略的是，即使你用tensor.detach.numpy()，先將tensor轉(zhuǎn)換為array類型，再插入列表，當(dāng)你修改原本的tensor時(shí)，列表中的這個(gè)array也依然會(huì)被修改。所以如果我們只是想保存tensor的值而不是整個(gè)對(duì)象，就要使用np.array(tensor)將tensor的值復(fù)制出來(lái)。

3.2 自定義層

在TF中，自定義模型通常繼承keras的Model，而自定義層則是繼承l(wèi)ayers.Layer，繼承不同的父類通常會(huì)造成初學(xué)者的困擾。而在pytorch中，自定義層與自定義模型一樣，都是繼承nn.Module。Pytorch將層與模型都看成了模塊，這很容易理解。的確，層與模型之間本來(lái)也沒有什么明確的界限。并且定義方式與上面定義模型的方式一樣，也是實(shí)現(xiàn)兩個(gè)函數(shù)即可。代碼示例如下：

import torch from torch import nn class ParaDeconv(nn.Module):#——————1—————— def __init__(self,in_n,out_n): super().__init__() self.w = nn.Parameter(torch.normal(0,0.01,size = [in_n,out_n]),requires_grad=True) self.b = nn.Parameter(torch.normal(0,0.01,size = [out_n]),requires_grad=True) def forward(self,inputs): x = torch.matmul(inputs,self.w) x = x + self.b return x layer = ParaDeconv(2,3)y = layer(torch.ones(100,2))#——————2——————loss = torch.sum(y)#——————3——————loss.backward()#——————4——————for i in layer.parameters():#——————5—————— print(i.grad)#——————6——————

#1：自定義一個(gè)全連接層。層中可訓(xùn)練參數(shù)的定義是使用nn.Parameter，如果直接使用torch.tensor是無(wú)法在#5中遍歷到的。

#2/3/4：輸入并計(jì)算loss，然后反向傳播計(jì)算參數(shù)梯度。

#5/6：輸出完成反向傳播后層參數(shù)的梯度。

以上定義的層可以和pytorch自帶的層一樣直接插入模型中使用。

3.3 保存/加載

3.3.1 保存/加載模型

有兩種方式，一種是保存模型的參數(shù)：

torch.save(model.state_dict(), PATH) #保存 model.load_state_dict(torch.load(PATH),strict=True) #加載

這種加載方式需要先定義模型，然后再加載參數(shù)。如果你定義的模型參數(shù)名與保存的參數(shù)對(duì)不上，就會(huì)出錯(cuò)。但如果把strict修改成False，不嚴(yán)格匹配，它就會(huì)只匹配對(duì)應(yīng)上的鍵值，不會(huì)因多出或缺少的參數(shù)而報(bào)錯(cuò)。

另一種是直接保存模型：

torch.save(model, PATH) #保存model = torch.load(PATH) #加載

這種方式看似方便，實(shí)際上更容易出錯(cuò)。因?yàn)閜ython不能保存整個(gè)模型的類，所以它只能保存定義類的代碼文件位置，以在加載時(shí)獲取類的結(jié)構(gòu)。如果你改變了定義類的代碼位置，就有可能因?yàn)檎也坏筋惗鲥e(cuò)。

3.3.2 保存訓(xùn)練點(diǎn)當(dāng)你要保存某個(gè)訓(xùn)練階段的狀態(tài)，比如包含優(yōu)化器參數(shù)、模型參數(shù)、訓(xùn)練迭代次數(shù)等，可以進(jìn)行如下操作：

#保存訓(xùn)練點(diǎn)torch.save({ ’epoch’: epoch, ’model_state_dict’: model.state_dict(), ’optimizer_state_dict’: optimizer.state_dict(), ’loss’: loss }, PATH)#加載訓(xùn)練點(diǎn)model = TheModelClass(*args, **kwargs)optimizer = TheOptimizerClass(*args, **kwargs)checkpoint = torch.load(PATH)model.load_state_dict(checkpoint[’model_state_dict’])optimizer.load_state_dict(checkpoint[’optimizer_state_dict’])epoch = checkpoint[’epoch’]loss = checkpoint[’loss’]

和保存模型一樣，也是使用torch.save()。它很靈活，可以保存字典，因此讀取的時(shí)候也按照字典索引讀取即可。當(dāng)然要注意，并不是任何類型都能保存的，這里保存的四個(gè)類型分別是：

1. int

2. collections.OrderedDict

3. collections.OrderedDict

4. list

3.4 修改模型參數(shù)

Pytorch沒有提供額外的方式讓我們修改模型參數(shù)，我們可以使用上面加載模型參數(shù)的方式來(lái)修改參數(shù)。對(duì)于某個(gè)參數(shù)，我們只要把鍵值和對(duì)應(yīng)要修改的值放在字典中傳入load_state_dict即可。如果沒傳入所有的參數(shù)，記得把strict設(shè)為False。示例如下：

model.load_state_dict({’weight’:torch.tensor([0.])},strict=False) #修改模型參數(shù)

參數(shù)名，也就是鍵值，和對(duì)應(yīng)的參數(shù)shape可以通過(guò)model.state_dict()查看。

以上就是使用Pytorch搭建模型的步驟的詳細(xì)內(nèi)容，更多關(guān)于Pytorch搭建模型的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！