记得刚开始学TensorFlow的时候，那给我折磨的呀，我一直在想这个TensorFlow官方为什么搭建个网络还要画什么静态图呢，把简单的事情弄得麻烦死了，直到这几天我开始接触Pytorch，发现Pytorch是就是不用搭建静态图的Tensorflow版本，就想在用numpy一样，并且封装了很多深度学习高级API，numpy数据和Tensor数据相互转换不用搭建会话了，只需要一个转换函数，搭建起了numpy和TensorFlow爱的桥梁。
Pytorch自17年推出以来，一度有赶超TensorFlow的趋势，是因为Pytorch采用动态图机制，替代Numpy使用GPU的功能，搭建网络灵活。
Pytorch和TensorFlow的区别：
- TensorFlow是基于静态计算图的，静态计算图是先定义后运行，一次定义多次运行（Tensorflow 2.0也开始使用动态计算图）
- PyTorch是基于动态图的，是在运行的过程中被定义的，在运行的时候构建，可以多次构建多次运行
张量
Pytorch中的Tensor和ndarray类似，区别在于ndarray不能在GPU上加速，而Tensor可以使用GPU加速
构建一个未初始化3*3的矩阵
import torch
x = torch.empty(3,3) # tensor([[1.0469e-38, 5.9694e-39, 8.9082e-39], # [1.0194e-38, 9.1837e-39, 4.6837e-39], # [9.9184e-39, 9.0000e-39, 1.0561e-38]])
构建一个3*3的随机矩阵
x = torch.rand(3, 3) # tensor([[0.4289, 0.6872, 0.2781], # [0.2129, 0.7520, 0.3994], # [0.0995, 0.9080, 0.7868]])
dtype long的全零矩阵：
x = torch.zeros(5, 3, dtype=torch.long) # tensor([[0, 0, 0], # [0, 0, 0], # [0, 0, 0]])
把数据[5.5, 3]变成Tensor
x = torch.tensor([5.5, 3]) # tensor([5.5000, 3.0000])
得到数组的shape
print(x.size()) # torch.Size([2])
torch.Size 实际上是一个元组，因此它支持所有元组操作。
Operation操作
加法
import torch # ------------- 方法一 -------------# x = torch.rand(2, 2) # 构建一个(2,2)的随机数组 y = torch.rand(2, 2) # 构建一个(2,2)的随机数组 print(x + y) # ------------- 方法二 -------------# print(torch.add(x, y)) # ------------- 方法三 -------------# result = torch.empty(2, 2) torch.add(x, y, out=result) print(result) # ------------- 方法四 -------------# # 把x加到y上 y.add_(x) print(y) # 所有的结果都等于 # tensor([[0.5464, 0.5692], # [0.7211, 1.2168]])
Pytorch的索引和python一样，
调整shape
torch.view() 调整数组shape
torch.size() 查看数据shape
import torch x = torch.randn(4, 4) y = x.view(16) print(y.size()) # torch.Size([16]) z = x.view(-1, 8) print(z.size()) # torch.Size([2, 8])
如果我们的张量只有一个数值，可以使用.item()获取
import torch x = torch.randn(1) print(x) # tensor([-0.8504]) print(x.item()) # -0.8503872156143188
Numpy数组和Torch Tensor转换
将Torch张量转换为NumPy数组
ndarray.numpy()：Torch Tensor-->ndarray
import torch a = torch.ones(5) print(a) # tensor([1., 1., 1., 1., 1.]) # torch tensor-->ndarray b = a.numpy() print(b, type(b)) # [1. 1. 1. 1. 1.] <class 'numpy.ndarray'>
将NumPy数组转换为Torch张量
torch.from_numpy(ndarray)：ndarray--Torch Tensor
import torch import numpy as np a = np.ones(5) # [1. 1. 1. 1. 1.] b = torch.from_numpy(a) print(b) # tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
Autograd自动微分
自动微分Autograd用于自动计算复杂函数的梯度，用于神经网络的优化，
如果设置torch.tensor_1(requires_grad=True)，那么会追踪所有对该张量tensor_1的所有操作。
import torch # 创建一个张量并设置 requires_grad=True 用来追踪他的计算历史 x = torch.ones(2, 2, requires_grad=True) print(x) # tensor([[1., 1.], # [1., 1.]], requires_grad=True)
当Tensor完成一个计算过程，每个张量都会自动生成一个.grad_fn属性
# 对张量进行计算操作，grad_fn已经被自动生成了。 y = x + 2 print(y) # tensor([[3., 3.], # [3., 3.]], grad_fn=<AddBackward>) print(y.grad_fn) # <AddBackward object at 0x00000232535FD860> # 对y进行一个乘法操作 z = y * y * 3 out = z.mean() print(z) # tensor([[27., 27.], # [27., 27.]], grad_fn=<MulBackward>) print(out) # tensor(27., grad_fn=<MeanBackward1>)
.requires_grad_(...) 可以改变张量的requires_grad属性。
import torch a = torch.randn(2, 2) a = ((a * 3) / (a - 1)) print(a.requires_grad) # 默认是requires_grad = False a.requires_grad_(True) print(a.requires_grad) # True b = (a * a).sum() print(b.grad_fn) # <SumBackward0 object at 0x000002325360B438>
梯度
回顾到上面
import torch # 创建一个张量并设置 requires_grad=True 用来追踪他的计算历史 x = torch.ones(2, 2, requires_grad=True) print(x) # tensor([[1., 1.], # [1., 1.]], requires_grad=True) # 对张量进行计算操作，grad_fn已经被自动生成了。 y = x + 2 print(y) # tensor([[3., 3.], # [3., 3.]], grad_fn=<AddBackward>) print(y.grad_fn) # <AddBackward object at 0x00000232535FD860> # 对y进行一个乘法操作 z = y * y * 3 out = z.mean() print(z) # tensor([[27., 27.], # [27., 27.]], grad_fn=<MulBackward>) print(out) # tensor(27., grad_fn=<MeanBackward1>)
让我们来反向传播，运行 out.backward() ，等于out.backward(torch.tensor(1.))
对out进行反向传播，$out = frac{1}{4}sum_i z_i$，其中$z_i = 3(x_i+2)^2$，因为方向传播中torch.tensor=1（out.backward中的参数）因此$z_iigr vert_{x_i=1} = 27$
对于梯度$frac{partial out}{partial x_i} = frac{3}{2}(x_i+2)$，把$x_i=1$代入$frac{partial out}{partial x_i}igr vert_{x_i=1} = frac{9}{2} = 4.5$
print(out) # tensor(27., grad_fn=<MeanBackward1>) print("*"*50) out.backward() # 打印梯度 print(x.grad) # tensor([[4.5000, 4.5000], # [4.5000, 4.5000]])
对吃栗子找到规律，才能看懂
import torch x = torch.randn(3, requires_grad=True) y = x * 2 while y.data.norm() < 1000: y = y * 2 print(y) # tensor([-920.6895, -115.7301, -867.6995], grad_fn=<MulBackward>) gradients = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float) # 把gradients代入y的反向传播中 y.backward(gradients) # 计算梯度 print(x.grad) # tensor([ 51.2000, 512.0000, 0.0512])
为了防止跟踪历史记录，可以将代码块包装在with torch.no_grad()：中。 在评估模型时特别有用，因为模型的可训练参数的属性可能具有requires_grad = True，但是我们不需要梯度计算。
print(x.requires_grad) # True print((x ** 2).requires_grad) # True with torch.no_grad(): print((x ** 2).requires_grad) # False
神经网络
神经网络是基于自动梯度 (autograd)来定义一些模型。一个 nn.Module 包括层和一个 forward(input) 它会返回输出(output)。
一个典型的神经网络训练过程包括以下几点：
- 定义一个包含可训练参数的神经网络
- 迭代整个输入
- 通过神经网络处理输入
- 计算损失(loss)
- 反向传播梯度到神经网络的参数
- 更新网络的参数，典型的用一个简单的更新方法：weight = weight - learning_rate *gradient
我们先来定义一个网络，处理输入，调用backword
import torch import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 1 input image channel, 6 output channels, 3x3 square convolution # kernel self.conv1 = nn.Conv2d(1, 6, 3) self.conv2 = nn.Conv2d(6, 16, 3) # an affine operation: y = Wx + b self.fc1 = nn.Linear(16 * 6 * 6, 120) # 6*6 from image dimension self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): # (2, 2)大小的最大池化层 x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) # 如果大小是正方形，则只能指定一个数字 x = F.max_pool2d(F.relu(self.conv2(x)), 2) x = x.view(-1, self.num_flat_features(x)) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x def num_flat_features(self, x): print(x.size()) # torch.Size([1, 16, 6, 6]) size = x.size()[1:] # 除batch维度外的所有维度 print(size) # torch.Size([16, 6, 6]) num_features = 1 for s in size: num_features *= s return num_features net = Net() print(net) # 打印模型结构 # Net( # (conv1): Conv2d(1, 6, kernel_size=(3, 3), stride=(1, 1)) # (conv2): Conv2d(6, 16, kernel_size=(3, 3), stride=(1, 1)) # (fc1): Linear(in_features=576, out_features=120, bias=True) # (fc2): Linear(in_features=120, out_features=84, bias=True) # (fc3): Linear(in_features=84, out_features=10, bias=True))
torch.nn只支持批输入，格式：batch_size * nChannels * Height * Width（样本数*通道数*高*宽）
如果我们只有一个样本，只需使用 ``input.unsqueeze(0)`` 来添加其它的维数
一个模型可训练的参数可以通过调用 net.parameters() 返回：
params = list(net.parameters()) print(len(params)) # 10 print(params[0].size()) # 第一个卷积层的权重 torch.Size([6, 1, 3, 3])
让我们尝试随机生成一个 32x32 的输入
input = torch.randn(1, 1, 32, 32) out = net(input) print(out) # tensor([[ 0.1464, 0.0453, 0.0269, 0.0078, 0.1960, -0.1795, 0.1265, # -0.0742, -0.0649, 0.0592]], grad_fn=<AddmmBackward>)
把所有参数梯度缓存器置零，用随机的梯度来反向传播
# 把所有参数梯度缓存器置零 net.zero_grad() # 用随机的梯度来反向传播 out.backward(torch.randn(1, 10))
损失函数
计算均方误差 $loss=nn.MSELoss(模型预测值-目标)$
output = net(input) # torch.Size([1, 10]) target = torch.randn(10) # 随便取一个target target = target.view(1, -1) # 让target和output的shape一样 criterion = nn.MSELoss() loss = criterion(output, target) print(loss) # tensor(0.8695, grad_fn=<MseLossBackward>)
现在，如果你跟随损失到反向传播路径，可以使用它的 .grad_fn 属性，你将会看到一个这样的计算图：
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d -> view -> linear -> relu -> linear -> relu -> linear -> MSELoss -> loss
所以，当我们调用 loss.backward()，整个图都会微分，而且所有的在图中的requires_grad=True 的张量将会让他们的 grad 张量累计梯度。
为了演示，我们将跟随以下步骤来反向传播。
print(loss.grad_fn) # MSELoss # <MseLossBackward object at 0x7fab77615278> print(loss.grad_fn.next_functions[0][0]) # Linear # <AddmmBackward object at 0x7fab77615940> print(loss.grad_fn.next_functions[0][0].next_functions[0][0]) # ReLU # <AccumulateGrad object at 0x7fab77615940>
反向传播
为了实现反向传播损失，我们所有需要做的事情仅仅是使用 loss.backward()。你需要清空现存的梯度，要不然将会和现存的梯度累计到一起。
现在我们调用 loss.backward() ，然后看一下 con1 的偏置项在反向传播之前和之后的变化。
net.zero_grad() # 将所有参数的梯度缓冲区归零 print('conv1.bias.grad 反向传播之前') print(net.conv1.bias.grad) # tensor([0., 0., 0., 0., 0., 0.]) loss.backward() print('conv1.bias.grad 反向传播之后') print(net.conv1.bias.grad) # tensor([-0.0118, 0.0125, -0.0085, -0.0225, 0.0125, 0.0235])
随机梯度下降，更新神经网络参数：
基于python实现
weight = weight - learning_rate * gradient learning_rate = 0.01 for f in net.parameters(): f.data.sub_(f.grad.data * learning_rate)
使用torch.optim实现，torch.optim中包含SGD, Nesterov-SGD, Adam, RMSProp, 等优化器
import torch.optim as optim # create your optimizer optimizer = optim.SGD(net.parameters(), lr=0.01) # in your training loop: optimizer.zero_grad() # zero the gradient buffers output = net(input) loss = criterion(output, target) loss.backward() optimizer.step() # Does the update
图像分类器
torch有一个叫做totchvision 的包，支持加载类似Imagenet，CIFAR10，MNIST 等公共数据集的数据加载模块 torchvision.datasets
支持加载图像数据数据转换模块 torch.utils.data.DataLoader。
本节我们使用CIFAR10数据集，它包含十个类别：‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。CIFAR-10 中的图像尺寸为33232，也就是RGB的3层颜色通道，每层通道内的尺寸为32*32。
训练一个图像分类器
我们将按次序的做如下几步：
- 使用torchvision加载并且归一化CIFAR10的训练和测试数据集
- 定义一个卷积神经网络
- 定义一个损失函数
- 在训练样本数据上训练网络
- 在测试样本数据上测试网络
torchvision 数据集的输出是范围在[0,1]之间的 PILImage，我们将他们转换成归一化范围为[-1,1]之间的张量 Tensors。
import torch import torchvision import torchvision.transforms as transforms transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) # 下载训练数据集 trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) # 下载测试数据集 testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
让我们来展示其中的一些训练图片
import matplotlib.pyplot as plt import numpy as np # 展示图片 def imshow(img): img = img / 2 + 0.5 # unnormalize npimg = img.numpy() plt.imshow(np.transpose(npimg, (1, 2, 0))) plt.show() # 获取一些随机的训练图片 dataiter = iter(trainloader) images, labels = dataiter.next() imshow(torchvision.utils.make_grid(images)) # show images # 打印 labels print(' '.join('%5s' % classes[labels[j]] for j in range(4))) # cat plane ship frog
定义一个卷积神经网络 在这之前先 从神经网络章节 复制神经网络，并修改它为3通道的图片(在此之前它被定义为1通道)
import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net = Net()
定义一个损失函数和优化器 让我们使用交叉熵Cross-Entropy 作损失函数，优化器使用SGD
import torch.optim as optim criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
我们只需要在数据迭代器上将数据循环传给网络和优化器 就可以。
for epoch in range(2): # 多次循环数据集 running_loss = 0.0 for i, data in enumerate(trainloader, 0): # 获取输入 inputs, labels = data # 把参数梯度归零 optimizer.zero_grad() # 前向传播(forward) + 反向传播(backward) + 优化器(optimize) outputs = net(inputs) # 前向传播 loss = criterion(outputs, labels) loss.backward() # 反向传播 optimizer.step() # 优化器 running_loss += loss.item() if i % 2000 == 1999: # 每2000个小batch打印一次 print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 print('Finished Training') # [1, 2000] loss: 2.187 # [1, 4000] loss: 1.852 # [1, 6000] loss: 1.672 # [1, 8000] loss: 1.566 # [1, 10000] loss: 1.490 # [1, 12000] loss: 1.461 # [2, 2000] loss: 1.389 # [2, 4000] loss: 1.364 # [2, 6000] loss: 1.343 # [2, 8000] loss: 1.318 # [2, 10000] loss: 1.282 # [2, 12000] loss: 1.286 # Finished Training
在测试集上测试网络 我们已经通过训练数据集对网络进行了2次训练，但是我们需要检查网络是否已经学到了东西。
我们将用神经网络的输出作为预测的类标来检查网络的预测性能，用样本的真实类标来校对。如果预测是正确的，我们将样本添加到正确预测的列表里。
好的，第一步，让我们从测试集中显示一张图像来熟悉它。
GroundTruth: cat ship ship plane
测试
输出是预测与十个类的近似程度，与某一个类的近似程度越高，网络就越认为图像是属于这一类别。所以让我们打印其中最相似类别类标：
outputs = net(images) _, predicted = torch.max(outputs, 1) print('Predicted: ', ' '.join('%5s' % classes[predicted[j]] for j in range(4))) # Predicted: cat ship car ship # GroundTruth: cat ship ship plane
预测对了两个，让我们看看网络在整个数据集上的表现。
correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) # Accuracy of the network on the 10000 test images: 54 %
正确率有54%，看来网络学到了东西。随机预测出为10类中的哪一类：
class_correct = list(0. for i in range(10)) class_total = list(0. for i in range(10)) with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs, 1) c = (predicted == labels).squeeze() for i in range(4): label = labels[i] class_correct[label] += c[i].item() class_total[label] += 1 for i in range(10): print('Accuracy of %5s : %2d %%' % ( classes[i], 100 * class_correct[i] / class_total[i])) # Accuracy of plane : 57 % # Accuracy of car : 73 % # Accuracy of bird : 49 % # Accuracy of cat : 54 % # Accuracy of deer : 18 % # Accuracy of dog : 20 % # Accuracy of frog : 58 % # Accuracy of horse : 74 % # Accuracy of ship : 70 % # Accuracy of truck : 66 %
在GPU上跑这些神经网络？
在GPU上训练，我么要将神经网络转到GPU上。前提条件是CUDA可以用，让我们首先定义下我们的设备为第一个可见的cuda设备。
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # Assume that we are on a CUDA machine, then this should print a CUDA device: print(device) # cuda:0
接着这些方法会递归地遍历所有模块，并将它们的参数和缓冲器转换为CUDA张量。
net.to(device)
记住你也必须在每一个步骤向GPU发送输入和目标：
inputs, labels = inputs.to(device), labels.to(device)
CUDA张量
使用该.to方法可以将张量移动到任何设备上。只有在有CUDA的情况下我们才能运行这个函数
# 我们将使用“torch.device”对象来移动GPU中的张量 if torch.cuda.is_available(): device = torch.device("cuda") # CUDA设备对象 y = torch.ones_like(x, device=device) # 直接在GPU上创建张量 x = x.to(device) # 或者只使用 ``.to("cuda") z = x + y print(z) print(z.to("cpu", torch.double)) # " ".to()还可以更改数据类型 # tensor([0.7032], device='cuda:0') # tensor([0.7032], dtype=torch.float64)
数据并行处理
本章节教大家如何使用DataParallel来使用多GPU。
我们把模型放入GPU中
device = torch.device("cuda:0") model.to(device)
将所有张量复制到GPU
mytensor = my_tensor.to(device)
在多 GPU 中执行前向、方向操作是非常自然的。尽管如此，PyTorch 默认只会使用一个 GPU。因此我们要使用DataParallel让模型在多个GPU上并行运行。
输入和参数
import torch import torch.nn as nn from torch.utils.data import Dataset, DataLoader input_size = 5 output_size = 2 batch_size = 30 data_size = 100 # 设备 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
制造一个随机的数据集
class RandomDataset(Dataset): def __init__(self, size, length): self.len = length self.data = torch.randn(length, size) def __getitem__(self, index): return self.data[index] def __len__(self): return self.len rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size), batch_size=batch_size, shuffle=True)
搭建一个简单的模型，我们的模型仅获取输入，执行线性运算并给出输出，
class Model(nn.Module): def __init__(self, input_size, output_size): super(Model, self).__init__() self.fc = nn.Linear(input_size, output_size) def forward(self, input): output = self.fc(input) print(" In Model: input size", input.size(), "output size", output.size()) return output
创建模型和数据并行
我们先要检查模型是否有多个GPU，如果有我们再使用nn.DataParallel，然后我们可以把模型放在GPU上model.to(device)
model = Model(input_size, output_size) if torch.cuda.device_count() > 1: print("我们有", torch.cuda.device_count(), "个GPUs!") # dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs model = nn.DataParallel(model) model.to(device) # 我们有2个GPU
运行模型，现在我们可以看到输入和输出张量的大小了
for data in rand_loader: input = data.to(device) output = model(input) print("Outside: input size", input.size(), "output_size", output.size())
输出
In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2]) In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2]) Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
如果我们有2个GPU我们可以看到以下结果
# on 2 GPUs Let's use 2 GPUs! In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2]) Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2]) In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2]) Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
数据并行自动拆分了你的数据并且将任务单发送到多个 GPU 上。当每一个模型都完成自己的任务之后，DataParallel 收集并且合并这些结果，然后再返回给你。
参考
PyTroc官方文档：https://pytorch.org/
PyTroch中文文档：https://pytorch-cn.readthedocs.io/zh/latest/
简单易上手的PyTorch中文文档：https://github.com/fendouai/pytorch1.0-cn