CV第八课 PyTorch

PyTorch的三个抽象层次

Tensor： 可以认为是 可以运行在GPU上的 numpy的array

　　　　通过 dtype = torch.cuda.FloatTensor

　　　　　　x = torch.randn(N,D_in).type(dtype) 使得在GPU上运行。

 

 Variable: 　Node in a computational graph， 存储数据与梯度 data and gradient

　　1.设输入  x = Variable(torch.randn(N,D_in),requires_grad=False)

　　   则 x.data is a Tensor ;     x.grad is a Variable of gradients;       x.grad.data is a Tensor of gradients

　　2.  Variable 和 tensor 有相同的API 

　　3. Variable 通过参数 requires_grad = True 就可以计算 weight matrix 的梯度

　　4. 每一次计算梯度前，要将上一次梯度清空 ，而且要记得要先判断，不然会报错 None type has no  attribute data

　　　　if w1.grad:  w1.grad.data.zero_()

Module: torch.nn

　　1. 像keras 一样的高级封装好的API，不需要打出computational graph

　　2. 用一连串的层数来定义模型 model： linear RuLu linear 

　　　　1) y的预测值  y_pred = model( x )

　　　　2) backward前清空上次计算的梯度  model.zero_grad()

　　　　3) 更新weight matrix : 

　　　　　　for param in model.parameters():

　　　　　　　　param.data -= learning_rate * para.grad.data

　　3.  nn 自带loss_function   

　　　　loss_fn = torch.nn.MESLoss(size_average=False)     

　　　　for t in range(500):

　　　　　　loss = loss_fn(y_pred,y)

 

优化方法的运用  ：

optimizer = torch.optim.Adam（model.parameters(), lr = learning_rate）

for t in range(500):

　　y_pred = model(x)

　　loss = loss_fn(y_pred,y)

　　

　　optimizer.zero_grad()

　　loss.backward()

　　optimizer.step()        # 在计算了所有梯度之后，更新所有的参数 weight matrix

定义自己的Module：

　　之后就可以用module

　　　　Class TwoLayerNet(torch.nn.Module):

　　　　　　def __init__(self,D_in,H,D_out):

　　　　　　　　super(TwoLayerNet,self).__init__()

　　　　　　　　self.linear1 = torch.nn.Linear(D_in,H)

　　　　　　　　self.linear2 = torch.nn.Linear(H,D_out)

　　　　　　def forward(self,x):

　　　　　　　　h = self.linear1(x)

　　　　　　　　h_relu = h.clamp(0)

　　　　　　　　y_pred = self.linear2(h_relu)

　　　　　　　　return y_pred

　　　　model = TwoLayerNet(D_in,H,D_out)

　　替换 

　　　　model = model.nn.Sequential (

　　　　　　torch.nn.Linear(D_in,H),

　　　　　　torch.nn.ReLu(),

　　　　　　torch.nn.Linear(H,D_out)

　　　　)

注：  super() 函数是用于调用父类(超类)的一个方法。   https://www.runoob.com/python/python-func-super.html

有了输入之后的网络：

loader = DataLoader(TensorDataset(x,y),batch_size = 8)       # 一次读取8个样本

for epoch in range(10):

　　for x_batch,y_batch in loader:

　　　　 x_var,y_var = Variable(x),Variable(y)                                                   # 其实这里我很疑惑，参数是不是Variable(x_batch )

 　　　　y_pred = model(x_var)

　　　　loss = loss_fn(y_pred,y_var)

　　　　

　　　　optimizer.zero_grad()                                     # 清空梯度

　　　　loss_backward()

　　　　

　　　　optimizer.step()                                        # 更新 weight matrix

　　　　

预训练 

可视化 ： Visdom  与tensorflow 的 tensorboard相似

静态图 tensorflow  VS   动态图 pytorch