还不会使用PyTorch框架进行深度学习的小伙伴,看过来

这是一篇关于使用 PyTorch 框架进行深度学习的教程,读完以后你可以轻松地将该框架应用于深度学习模型。

 

今年初,Facebook 推出了 PyTorch 1.0,该框架集成了谷歌云、AWS和 Azure机器学习。学习本教程之前,你需要很熟悉 Scikit-learn,Pandas,NumPy 和 SciPy。这些程序包是使用本教程的重要先决条件。

 

教程大纲

 

何为深度学习?

 

Pytorch 简介

 

相较于其它 Python深度学习库,Pytorch 有何优势?

 

Pytorch 的张量

 

Pytorch Autograd 机制

 

Pytorch 的 nn 模块

 

Pytorch optim 包

 

Pytorch 中的自定义 nn 模块

 

总结和延伸阅读

 

何为深度学习?

 

深度学习 是机器学习的一个子领域,其算法受到了人类大脑工作机制的启发。这些算法被称为人工神经网络。这样的神经网络包括用于图像分类的卷积神经网络、人工神经网络和循环神经网络。

 

Pytorch 简介

 

Pytorch 是一个基于 Torch 的 Python机器学习包,而 Torch 则是一个基于编程语言 Lua 的开源机器学习包。Pytorch 有两个主要的特点:

 

利用强大的 GPU 加速进行张量计算(如 NumPy)

 

用于构建和训练神经网络的自动微分机制

 

相较于其它 Python深度学习库,Pytorch 有何优势?

 

相比其它深度学习库,Pytorch 具有以下两点优势:

 

1. 与TensorFlow 等其它在运行模型之前必须先定义整个计算图的库不同,PyTorch 允许动态定义图。

 

2. PyTorch 也非常适合深度学习研究,提供了最大的灵活性和运行速度。

 

PyTorchTensors

 

Pytorch张量

 

PyTorch张量与 NumPy 数组非常相似,而且它们可以在 GPU 上运行。这一点很重要,因为它有助于加速数值计算,从而可以将神经网络的速度提高 50 倍甚至更多。为了使用 PyTorch,你需要先访问其官网并安装 PyTorch。如果你正在使用 Conda,你可以通过运行以下简单命令来安装 PyTorch:

 

 

为了定义 PyTorch张量,首先需要导入 torch 包。PyTorch 允许你定义两种类型的张量,即 CPU 和 GPU张量。在本教程中,假设你运行的是使用 CPU 进行深度学习运算的机器,但我也会向你展示如何在 GPU 中定义张量:

 

 

PyTorch 的默认张量类型是一个浮点型张量,定义为「torch.FloatTensor」。例如,你可以根据 Python 的 list 数据结构创建张量:

 

 

如果你使用的是支持 GPU 的机器,你可以通过以下方法定义张量:

 

 

你也可以使用 PyTorch张量执行加法和减法等数学运算:

 

 

你还可以定义矩阵并执行矩阵运算。我们来看看如何定义一个矩阵然后将其转置:

 

 

Pytorch Autograd 机制

 

PyTorch 使用了一种叫做「自动微分」的技术,它可以对函数的导数进行数值估计。自动微分在神经网络中计算反向传递(backward pass)。在训练过程中,神经网络的权重被随机初始化为接近零但不是零的数。「反向传递」是指从右到左调整权重的过程,而正向传递则是从左到右调整权重的过程。

 

「torch.autograd」是 PyTorch 中支持自动微分的库。这个包的核心类是「torch.Tensor」。如果你想要跟踪这个类的所有操作,请将「.requires_grad」设置为 True。如果要计算所有的梯度,请调用「.backward()」。这个张量的梯度将在「.grad」属性中

 

如果你想要从计算历史中分离出一个张量,请调用「.detach()」函数。这也可以防止将来对张量的计算被跟踪。另一种防止历史跟踪的方法是用「torch.no_grad()」方法封装代码。

 

你可以将张量「Tensor」和函数「Function」类相连接,构建一个编码了完整计算历史的无环图。张量的「.grad_fn」属性会引用创建了这个张量的「Function」。如果你要计算导数,可以调用张量的「.backward()」。如果该张量包含一个元素,你不需要为「backward()」函数指定任何参数。如果张量包含多个元素,你需要指定一个规模(shape)相匹配的张量的梯度。

 

例如,你可以创建两个张量,将其中一个张量的「requires_grad」设定为 True,将另一个的设定为 False。接着你可以用这两个张量来执行加法和求和运算。然后你可以计算其中一个张量的梯度。

 

 

在「b」上调用「.grad」的返回值为空,因为你没有将它的「requires_grad」设置为 True。

 

Pytorch 的 nn 模块

 

这是在 Pytorch 中构建神经网络的模块。「nn」模块依赖于「autograd」来定义模型并对其进行微分处理。首先,定义训练一个神经网络的过程:

 

1. 用一些可学习的参数(即权重)定义神经网络

 

2. 在输入的数据集上进行迭代

 

3 通过网络处理输入

 

4. 将预测结果和实际值进行比较,并测量误差

 

5. 将梯度传播回网络的参数中

 

6. 使用简单的更新规则更新网络的权重:

 

weight = weight—learning_rate * gradient

 

现在,你可以使用「nn」程序包创建一个双层的神经网络:

 

 

在这里我们将解释一下上面用到的参数:

 

N 是批处理大小。批处理大小是观测数据的数量,观测之后权重将被更新。

 

D_in 是输入的维度

 

H 是隐藏层的维度

 

D_out 是输出层的维度

 

torch.randn 定义了指定维度的矩阵

 

torch.nn.Sequential 初始化了神经网络层的线性堆栈

 

torch.nn.Linear 对输入数据应用了线性变换

 

torch.nn.ReLU 在元素层级上应用了 线性整流函数

 

torch.nn.MSELoss 创建了一个标准来度量输入 x 和目标 y 中 n 个元素的均方误差

 

PyTorch optim 包

 

接下来,你要使用 optim 包来定义一个优化器,该优化器将为你更新权重。optim 包抽象出了优化算法的思想,并提供了常用优化算法(如 AdaGrad、RMSProp 和 Adam)的实现。我们将使用 Adam优化器,它是最流行的优化器之一。

 

该优化器接受的第一个参数是张量,这些张量需要更新。在正向传递中,你要通过向模型传递 x 来计算出预测的 y。然后,计算并显示出损失。在运行反向传递之前,你要将使用优化器更新的所有变量的梯度设置为零。这样做的原因是,默认情况下,在调用「.backward()」方法时,梯度不会被重写。然后,你需要在优化器上调用「step」函数,该步骤会更新其参数。具体的实现代码如下所示:

 

 

PyTorch 中自定义的 nn 模块

 

有时你需要构建自己的自定义模块。这种情况下,你需要创建「nn.Module」的子类,然后定义一个接收输入张量并产生输出张量的 forward。使用「nn.Module」实现双层网络的方法如下图所示。这个模型与上面的模型非常相似,但不同之处在于你要使用「torch.nn.Module」创建神经网络。另一个区别是这个模型会使用 stochastic gradient descent optimizer 而不是 Adam。你可以使用下面的代码实现一个自定义的 nn 模块:

 

 

总结和延伸阅读

 

Pytorch 允许你实现不同类型的神经网络层,例如:卷积层、循环层、线性层。你可以从其官方文档中了解更多关于 Pytorch 的信息。

 

你还可以在「Hacker News」和「Reddit」上讨论这篇博客。

 

如果你想知道更多关于 PyTorch 如何为机器学习项目赋能的信息,可以查看下面的 Heartbeat 资源:

 

通过 Pytorch 实现神经网络风格迁移

 

地址:https://heartbeat.fritz.ai/neural-style-transfer-with-pytorch-49e7c1fe3bea

 

通过 Pytorch 实现基本的图像分类

 

地址:https://heartbeat.fritz.ai/basics-of-image-classification-with-pytorch-2f8973c51864

 

通过「TensorFlow Mobile」在安卓系统上部署 Pytorch 和 Keras

 

地址:https://heartbeat.fritz.ai/deploying-pytorch-and-keras-models-to-android-with-tensorflow-mobile-a16a1fb83f2

 

想要入门移动机器学习吗?加入 Heartbeat 的 Slack 小组吧!

 

地址:https://heartbeat.fritz.ai/join-the-conversation-heartbeats-new-slack-community-620000da5819

 

原文链接:https://heartbeat.fritz.ai/introduction-to-pytorch-for-deep-learning-5b437cea90ac

发表评论

电子邮件地址不会被公开。 必填项已用*标注