Press "Enter" to skip to content

PyTorch的4分钟教程,手把手教你完成线性回归

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

大数据文摘出品

 

编译:洪颖菲、宁静

 

PyTorch深度学习框架库之一,是来自Facebook的开源深度学习平台,提供研究原型到生产部署的无缝衔接。

 

本文旨在介绍PyTorch基础部分,帮助新手在4分钟内实现python PyTorch代码的初步编写。

 

下文出现的所有功能函数,均可以在中文文档中查看具体参数和实现细节,先附上pytorch中文文档链接:

 

https://pytorch-cn.readthedocs.io/zh/latest/package_references/torch/

 

coding前的准备

 

需要在电脑上安装Python包,导入一些科学计算包,如:numpy等,最最重要的,别忘记导入PyTorch,下文的运行结果均是在jupyter notebook上得到的,感兴趣的读者可以自行下载Anaconda,里面自带有jupyter notebook。(注:Anaconda支持python多个版本的虚拟编译环境,jupyter notebook是一个web形式的编译界面,将代码分割成一个个的cell,可以实时看到运行结果,使用起来非常方便!)

 

软件的配置和安装部分,网上有很多教程,这里不再赘述,纸上得来终觉浅,绝知此事要躬行。让我们直接进入Pytorch的世界,开始coding吧!

 

Tensors

 

Tensor张量类型,是神经网络框架中重要的基础数据类型,可以简单理解为一个包含单个数据类型元素的多维矩阵,tensor之间的通过运算进行连接,从而形成计算图。

 

下面的代码实例中创建了一个2*3的二维张量x,指定数据类型为浮点型(Float):

 

import torch 
#Tensors 
x=torch.FloatTensor([[1,2,3],[4,5,6]]) 
print(x.size(),"\n",x)

 

运行结果:

 

 

PyTorch包含许多关于tensors的数学运算。除此之外,它还提供了许多实用程序,如高效序列化Tensor和其他任意数据类型,以及其他有用的实用程序。

 

下面是Tensor的加法/减法的一个例子,其中torch.ones(*sizes, out=None) → Tensor返回一个全为1 的张量,形状由可变参数sizes定义。在实例中,和变量x相加的是创建的两个相应位置值为1的2*3的张量,相当于x每一维度的值+2,代码和运行结果如下所示:

 

#Add tensors 
x.add_(torch.ones([2,3])+torch.ones([2,3]))

 

运行结果:

 

 

同样的,PyTorch也支持减法操作,实例如下,在上面的运行结果基础上每一维度再减去2,x恢复到最初的值。

 

#Subtract Tensor 
x.sub_(torch.ones([2,3])*2)

 

运行结果:

 

 

其他PyTorch运算读者可以查阅上文给出的中文链接。

 

PyTorch and NumPy

 

用户可以轻松地在PyTorch和NumPy之间来回转换。

 

下面是将np.matrix转换为PyTorch并将维度更改为单个列的简单示例:

 

#Numpy to torch tensors 
import numpy as np 
y=np.matrix([[2,2],[2,2],[2,2]]) 
z=np.matrix([[2,2],[2,2],[2,2]],dtype="int16") 
x.short() @ torch.from_numpy(z)

 

运行结果:

 

 

其中@为张量乘法的重载运算符,x为2*3的张量,值为[[1,2,3],[4,5,6]],与转换成tensor的z相乘,z的大小是3*2,结果为2*2的张量。(与矩阵乘法类似,不明白运行结果的读者,可以看下矩阵的乘法运算)

 

除此外,PyTorch也支持张量结构的重构reshape,下面是将张量x重构成1*6的一维张量的实例,与numpy中的reshape功能类似。

 

#Reshape tensors(similar to np.reshape) 
x.view(1,6)

 

运行结果:

 

 

GitHub repo概述了PyTorch到numpy的转换,链接如下:

 

https://github.com/wkentaro/pytorch-for-numpy-users

 

CPU and GPUs

 

PyTorch允许变量使用 torch.cuda.device上下文管理器动态更改设备。以下是示例代码:

 

#move variables and copies across computer devices 
x=torch.FloatTensor([[1,2,3],[4,5,6]]) 
y=np.matrix([[2,2,2],[2,2,2]],dtype="float32") 
 
 
if(torch.cuda.is_available()): 
    xx=x.cuda(); 
    y=torch.from_numpy(y).cuda() 
    z=x+y 
print(z) 
 
print(x.cpu())

 

运行结果:

 

 

PyTorch Variables

 

变量只是一个包裹着Tensor的薄层,它支持几乎所有由Tensor定义的API,变量被巧妙地定义为自动编译包的一部分。它提供了实现任意标量值函数自动区分的类和函数。

 

以下是PyTorch变量用法的简单示例,将v1和v2相乘的结果赋值给v3,其中里面的参数requires_grad的属性默认为False,若一个节点requires_grad被设置为True,那幺所有依赖它的节点的requires_grad都为True,主要用于梯度的计算。

 

#Variable(part of autograd package) 
#Variable (graph nodes) are thin wrappers around tensors and have dependency knowle 
#Variable enable backpropagation of gradients and automatic differentiations 
#Variable are set a 'volatile' flad during infrencing 
 
 
from torch.autograd import Variable 
v1 = Variable(torch.tensor([1.,2.,3.]), requires_grad=False) 
v2 = Variable(torch.tensor([4.,5.,6.]), requires_grad=True) 
v3 = v1*v2 
 
 
v3.data.numpy()

 

运行结果:

 

 

#Variables remember what created them 
v3.grad_fn

 

运行结果:

 

 

Back Propagation

 

反向传播算法用于计算相对于输入权重和偏差的损失梯度,以在下一次优化迭代中更新权重并最终减少损失,PyTorch在分层定义对于变量的反向方法以执行反向传播方面非常智能。

 

以下是一个简单的反向传播计算方法,以sin(x)为例计算差分:

 

#Backpropagation with example of sin(x) 
x=Variable(torch.Tensor(np.array([0.,1.,1.5,2.])*np.pi),requires_grad=True) 
y=torch.sin(x) 
x.grad 
y.backward(torch.Tensor([1.,1.,1.,1])) 
 
 
#Check gradient is indeed cox(x) 
if( (x.grad.data.int().numpy()==torch.cos(x).data.int().numpy()).all() ): 
    print ("d(sin(x)/dx=cos(x))")

 

运行结果:

 

 

对于pytorch中的变量和梯度计算可参考下面这篇文章:

 

https://zhuanlan.zhihu.com/p/29904755

 

SLR: Simple Linear Regression

 

现在我们了解了基础知识,可以开始运用PyTorch 解决简单的机器学习问题——简单线性回归。我们将通过4个简单步骤完成:

 

第一步:

 

在步骤1中,我们创建一个由方程y = wx + b产生的人工数据集,并注入随机误差。请参阅以下示例:

 

#Simple Liner Regression 
# Fit a line to the data. Y =w.x+b 
#Deterministic behavior 
np.random.seed(0) 
torch.manual_seed(0) 
#Step 1:Dataset 
w=2;b=3 
x=np.linspace(0,10,100) 
y=w*x+b+np.random.randn(100)*2 
xx=x.reshape(-1,1) 
yy=y.reshape(-1,1)

 

第二步:

 

在第2步中,我们使用forward函数定义一个简单的类LinearRegressionModel,使用torch.nn.Linear定义构造函数以对输入数据进行线性转换:

 

#Step 2:Model 
class LinearRegressionModel(torch.nn.Module): 
     
    def __init__(self,in_dimn,out_dimn): 
        super(LinearRegressionModel,self).__init__() 
        self.model=torch.nn.Linear(in_dimn,out_dimn) 
         
    def forward(self,x): 
        y_pred=self.model(x); 
        return y_pred; 
     
model=LinearRegressionModel(in_dimn=1, out_dimn=1)

 

torch.nn.Linear参考网站:

 

https://pytorch.org/docs/stable/_modules/torch/nn/modules/linear.html

 

第三步:

 

下一步:使用 MSELoss 作为代价函数,SGD作为优化器来训练模型。

 

#Step 3: Training 
cost=torch.nn.MSELoss() 
optimizer=torch.optim.SGD(model.parameters(),lr=0.01,momentum=0.9) 
inputs=Variable(torch.from_numpy(x.astype("float32"))) 
outputs=Variable(torch.from_numpy(y.astype("float32"))) 
 
 
for  in range(100): 
#3.1 forward pass: 
    y_pred=model(inputs) 
     
#3.2 compute loss 
    loss=cost(y_pred,outputs) 
     
#3.3 backward pass 
    optimizer.zero_grad(); 
    loss.backward() 
    optimizer.step() 
    if((epoch+1)%10==0): 
        print("epoch{},loss{}".format(epoch+1,loss.data))

 

运行结果:

 

MSELoss参考网站:https://pytorch.org/docs/stable/_modules/torch/nn/modules/loss.html
SGD参考网站:https://pytorch.org/docs/stable/_modules/torch/optim/sgd.html

第四步:

 

现在训练已经完成,让我们直观地检查我们的模型:

 

#Step 4:Display model and confirm 
import matplotlib.pyplot as plt 
plt.figure(figsize=(4,4)) 
plt.title("Model and Dataset") 
plt.xlabel("X");plt.ylabel("Y") 
plt.grid() 
plt.plot(x,y,"ro",label="DataSet",marker="x",markersize=4) 
plt.plot(x,model.model.weight.item()*x+model.model.bias.item(),label="Regression Model") 
plt.legend();plt.show()

 

运行结果:

 

 

现在你已经完成了PyTorch的第一个线性回归例子的编程了,对于后续希望百尺竿头,更进一步的读者来说,可以参考PyTorch的官方文档链接,完成大部分的编码应用。

 

相关链接:

 

https://medium.com/towards-artificial-intelligence/pytorch-in-2-minutes-9e18875990fd

 

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注