最近在学习Pytorch v1.3最新版和Tensorflow2.0。
我学习Pytorch的主要途径:莫烦Python和Pytorch 1.3官方文档 ,Pytorch v1.3跟之前的Pytorch不太一样,比如1.3中,Variable类已经被弃用了(目前还可以用,但不推荐),tensor可以直接调用backward方法进行反向求导,不需要再像之前的版本一样必须包装成Variable对象之后再backward。
Tensorflow2.0的学习可以参考北大学生写的教程:https://tf.wiki/zh/basic/basic.html ,TensorFlow2.0与之前的版本也有很大不同,TF 1.x的很多写法已经不适用了,2.0把大量keras的内容包括了进去,使用之前的TF方便,但我总感觉混在一起,那还不如直接学Keras,另外跟Pytorch相比,为了实现相同的功能,TF2.0的代码还是太多了,不够简洁。
为了对比两者的速度,今天自己第一次尝试用Pytorch实现了用于图片分类的最简单的全连接神经网络。代码包括了神经网络的定义、使用DataLoader批训练、效果的准确性评估,模型使用方法、输出转换为label型等内容。
1 import time 2 import torch.nn as nn 3 from torchvision.datasets import FashionMNIST 4 import torch 5 import numpy as np 6 from torch.utils.data import DataLoader 7 import torch.utils.data as Data 8 9 '''数据集为FashionMNIST''' 10 data=FashionMNIST('../pycharm_workspace/data/') 11 12 def train_test_split(data,test_pct=0.3): 13 test_len=int(data.data.size(0)*test_pct) 14 x_test=data.data[0:test_len].type(torch.float) 15 x_train=data.data[test_len:].type(torch.float) 16 17 y_test=data.targets[0:test_len] 18 y_train=data.targets[test_len:] 19 20 return x_train,y_train,x_test,y_test 21 22 '''自定义神经网络1''' 23 class MLP(nn.Module): 24 def __init__(self,input_size,hidden_size,output_size): 25 super().__init__() 26 self.linear1=nn.Linear(input_size,hidden_size) 27 self.linear2=nn.Linear(hidden_size,output_size) 28 29 def forward(self,x): 30 out=self.linear1(x) 31 out=torch.relu(out) 32 out=self.linear2(out) 33 return out 34 #out=torch.softmax() 35 36 def train_1(): 37 '''创建模型对象''' 38 input_size=784#训练数据的维度 39 hidden_size=64#隐藏层的神经元数量,这个数量越大,神经网络越复杂,训练后网络的准确度越高,但训练耗时也越长 40 ouput_size=10#输出层的神经元数量 41 mlp=MLP(input_size,hidden_size,ouput_size) 42 '''定义损失函数''' 43 loss_func=torch.nn.CrossEntropyLoss() 44 '''定义优化器''' 45 #optimizer=torch.optim.RMSprop(mlp.parameters(),lr=0.001,alpha=0.9) 46 #optimizer=torch.optim.Adam(mlp.parameters(),lr=0.01) 47 optimizer=torch.optim.Adam(mlp.parameters(),lr=0.001) 48 x_train,y_train,x_test,y_test=train_test_split(data,0.2) 49 start=time.time() 50 for i in range(200): 51 x=x_train.view(x_train.shape[0],-1) 52 prediction=mlp(x) 53 loss=loss_func(prediction,y_train) 54 print('Batch No.%s,loss:%s'%(i,loss.data.numpy())) 55 optimizer.zero_grad() 56 loss.backward() 57 optimizer.step() 58 end=time.time() 59 print('runnig time:%.3f sec.'%(end-start)) 60 61 '''评估模型效果''' 62 samples=10000 63 '''取一定数量的样本,用于评估''' 64 x_input=x_test[:samples] 65 '''模型输入必须为tensor形式,且维度为(784,)''' 66 x_input=x_input.view(x_input.shape[0],-1) 67 y_pred=mlp(x_input) 68 '''把模型输出(向量)转为label形式''' 69 y_pred_=list(map(lambda x:np.argmax(x),y_pred.data.numpy())) 70 '''计算准确率''' 71 acc=sum(y_pred_==y_test.numpy()[:samples])/samples 72 print('Accuracy:',acc)
###输出:Accuracy:0.8153 73 74 '''自定义神经网络2''' 75 class MyNet(nn.Module): 76 def __init__(self,in_size,hidden_size,out_size): 77 super().__init__() 78 self.linear1=nn.Linear(in_size,hidden_size) 79 self.linear2=nn.Linear(hidden_size,out_size) 80 81 def forward(self,x): 82 x=x.view(x.size(0),-1) 83 out=self.linear1(x) 84 out=torch.relu(out) 85 out=self.linear2(out) 86 return out 87 88 def train_2(): 89 num_epoch=20 90 #t_data=data.data.type(torch.float) 91 x_train,y_train,x_test,y_test=train_test_split(data,0.2) 92 '''使用DataLoader批量输入训练数据''' 93 dl_train=DataLoader(Data.TensorDataset(x_train,y_train),batch_size=100,shuffle=True) 94 '''创建模型对象''' 95 model=MyNet(784,512,10) 96 '''定义损失函数''' 97 loss_func=torch.nn.CrossEntropyLoss() 98 '''定义优化器''' 99 optimizer=torch.optim.Adam(model.parameters(),lr=0.001) 100 start=time.time() 101 for i in range(num_epoch): 102 for index,(x_data,y_data) in enumerate(dl_train): 103 prediction=model(x_data) 104 loss=loss_func(prediction,y_data) 105 print('No.%s,loss=%.3f'%(index,loss.data.numpy())) 106 optimizer.zero_grad() 107 loss.backward() 108 optimizer.step() 109 print('No.%s,loss=%.3f'%(i,loss.data.numpy())) 110 end=time.time() 111 print('runnig time:%.3f sec.'%(end-start)) 112 113 '''评估模型的Accuracy''' 114 samples=10000 115 '''取一定数量的样本,用于评估''' 116 y_pred=model(x_test[:samples]) 117 '''把模型输出(向量)转为label形式''' 118 y_pred_=list(map(lambda x:np.argmax(x),y_pred.data.numpy())) 119 '''计算准确率''' 120 acc=sum(y_pred_==y_test.numpy()[:samples])/samples 121 print('Accuracy:',acc) 122 ###输出:Accuracy:0.8622
题外话,用相同的数据集、相同的神经网络结构、相同的优化器、相同的参数,把Pytorch跟TensorFlow2.0对比,发现pytorch对cpu的占用更小,TF 2.0跑起来Mac pro呼呼地响,Pytorch跑的时候安静很多。