不同层次的学习速率和权重的损失问题

回复

pytorch匿名用户 回复了问题 • 1 人关注 • 1 个回复 • 252 次浏览 • 2017-06-02 23:41 • 来自相关话题

python引入torch时报错是什么原因?

回复

pytorch匿名用户 回复了问题 • 1 人关注 • 2 个回复 • 1713 次浏览 • 2017-06-02 23:28 • 来自相关话题

[pytorch快速入门教程]准备图片数据集,训练一个分类器

pytorchwda 发表了文章 • 0 个评论 • 425 次浏览 • 2017-06-01 23:37 • 来自相关话题

在以前的教程中,你已经知道如何定义神经网络,计算损失以及更新网络权重。现在你可能会想,

数据怎么办

一般来说,当你处理图像、文本、音频或视频数据时,你可以使用标准的python包来将数据载入到numpy数组中。然后你可以将这个数组转化为torch.Tensor。
对于图像,诸如Pillow, OpenCV这些包很好用。对于音频,可以使用scipy和librosa。对于文本,要么使用原始的Python或Cython载入方式,要么使用NLTK和SpaCy。
特别的对于vision,我们创建了一个叫做torchvision的包,它有一些常用数据集(Imagenet, CIFAR10, MNIST等)的数据载入器,以及图像的数据转换器, torchvision.datasets和torch.utils.data.DataLoader。

这提供了巨大的便利,避免编写样板代码。

在本教程中,我们使用CIFAR10数据集。它有10个类别:‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。CIFAR10中的图像尺寸在3x32x32,即3通道彩色图像,32x32像素大小。
CIFAR-10是多伦多大学提供的图片数据库,图片分辨率压缩至32x32,一共有10种图片分类,均进行了标注。适合监督式学习。





训练一个图像分类器

我们将按顺序完成以下步骤:
载入和规范化CIFAR10的训练和测试集,使用torchvision定义一个卷积神经网络定义损失函数在训练集上进行训练在测试集上测试网络

1. 载入和规范化CIFAR10

使用torchvision,载入CIFAR10非常简单。import torch
import torchvision
import torchvision.transforms as transforms torchvision datasets的输出时范围在[0, 1]的PILImage图像。我们将它们转换为规范区间[-1, 1]的Tensor。transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)

testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=True, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
输出:Downloading http://www.cs.toronto.edu/~kri ... ar.gz to ./data/cifar-10-python.tar.gz
Files already downloaded and verified让我们展示一些训练图像。import matplotlib.pyplot as plt
import numpy as np

# functions to show image
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))

# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()

# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
输出:




2. 定义一个卷积神经网络
复制在神经网络那一节的神经网络,将其更改为3通道图像输入(而不是原始的单通道输入)。from torch.autograd import Variable
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()



3. 定义损失函数和优化器

让我们来使用分类交叉熵和带有动量的SGDimport torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)4. 训练网络for epoch in range(10): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the input
inputs, labels = data

# wrap time in Variable
inputs, labels = Variable(inputs), Variable(labels)

# zero the parameter gradients
optimizer.zero_grad()

# forward + backward + optimize
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()

# print statistics
running_loss += loss.data[0]
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0

print('Finished Training')输出:[1, 2000] loss: 1.184
[1, 4000] loss: 1.206
[1, 6000] loss: 1.186
[1, 8000] loss: 1.162
[1, 10000] loss: 1.195
[1, 12000] loss: 1.165
[2, 2000] loss: 1.095
[2, 4000] loss: 1.076
[2, 6000] loss: 1.086
[2, 8000] loss: 1.092
[2, 10000] loss: 1.060
[2, 12000] loss: 1.110
[3, 2000] loss: 0.999
[3, 4000] loss: 1.005
[3, 6000] loss: 1.016
[3, 8000] loss: 1.016
[3, 10000] loss: 1.017
[3, 12000] loss: 1.023
[4, 2000] loss: 0.922
[4, 4000] loss: 0.933
[4, 6000] loss: 0.959
[4, 8000] loss: 0.975
[4, 10000] loss: 0.985
[4, 12000] loss: 0.968
[5, 2000] loss: 0.861
[5, 4000] loss: 0.908
[5, 6000] loss: 0.911
[5, 8000] loss: 0.932
[5, 10000] loss: 0.920
[5, 12000] loss: 0.919
[6, 2000] loss: 0.839
[6, 4000] loss: 0.853
[6, 6000] loss: 0.887
[6, 8000] loss: 0.891
[6, 10000] loss: 0.890
[6, 12000] loss: 0.876
[7, 2000] loss: 0.819
[7, 4000] loss: 0.808
[7, 6000] loss: 0.831
[7, 8000] loss: 0.852
[7, 10000] loss: 0.842
[7, 12000] loss: 0.869
[8, 2000] loss: 0.761
[8, 4000] loss: 0.784
[8, 6000] loss: 0.808
[8, 8000] loss: 0.827
[8, 10000] loss: 0.841
[8, 12000] loss: 0.860
[9, 2000] loss: 0.731
[9, 4000] loss: 0.758
[9, 6000] loss: 0.801
[9, 8000] loss: 0.784
[9, 10000] loss: 0.831
[9, 12000] loss: 0.817
[10, 2000] loss: 0.723
[10, 4000] loss: 0.733
[10, 6000] loss: 0.775
[10, 8000] loss: 0.763
[10, 10000] loss: 0.802
[10, 12000] loss: 0.799
Finished Training5. 在测试数据上测试网络

我们已经在训练集上训练了10轮。但是我们需要检查网络是否有学到什么。

我们可以通过检测预测的类别标签,再与真实标签进行对比。如果预测是对的,我们将这个样本加到分类正确的列表中。

Okay,第一步。让我们先展示一些测试数据集中的图像。dataiter = iter(testloader)
images, labels = dataiter.next()

# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))输出:

[cifar_test_1]

再来看一下神经网络认为这些样本是什么。

输出是10个类别的能量。一个类别能量越高,网络就更多地认为图像是这个特定的类别。因此,让我们获取最高能量类别的索引。outputs = net(Variable(images))

_, predicted = torch.max(outputs.data, 1)

print('Predicted: ', ' '.join('%5s' % classes[predicted[j][0]] for j in range(4)))输出:Predicted: horse plane horse frog结果看起来不错。

让我们再来看看网络在整个数据集上的性能。correct = 0
total = 0
for data in testloader:
images, labels = data
outputs = net(Variable(images))
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum()

print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total))输出:Accuracy of the network on the 10000 test images: 63 %这个结果看起来远比随机抽取要好,随机抽取的概率为10%。看起来网络确实学到了一些东西。

那么,有哪些类别表现优秀,哪些类别表现不佳呢?class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
for data in testloader:
images, labels = data
outputs = net(Variable(images))
_, predicted = torch.max(outputs.data, 1)
c = (predicted == labels).squeeze()
for i in range(4):
label = labels
[i] class_correct[label] += c
[i] class_total[label] += 1

for i in range(10):
print('Accuracy of %5s: %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))[/i][/i][/i][/i][/i][i][i][i][i][i][i][i][i][i]输出:[/i][/i][/i][/i][/i][/i][/i][/i][/i][i][i][i][i][i]Accuracy of plane: 59 %
Accuracy of car: 73 %
Accuracy of bird: 51 %
Accuracy of cat: 46 %
Accuracy of deer: 51 %
Accuracy of dog: 54 %
Accuracy of frog: 76 %
Accuracy of horse: 69 %
Accuracy of ship: 78 %
Accuracy of truck: 72 %[/i][/i][/i][/i][/i]Okay,还有什么要说明的?

如何在GPU上面运行这个神经网络?

在GPU上训练

与你如何将Tensor转移到GPU上类似,你可以将神经网络转移到GPU上。这将递归的遍历所有的模块并将它们的参数和缓存转化为CUDA tensors。net.cuda()net.cuda()记住,你还必须在每一步将输入和结果数据传输到GPU上:inputs, labels = Variable(inputs.cuda()), Variable(labels.cuda())为什么我没有注意到相比CPU的巨大的加速?因为你的神经网络非常小。

训练:试着增加你的网络宽度(将第一个nn.Conv@d增广2,将第二个nn.Conv2d增广1 - 它们需要相同的数量),看看你的网络提速了多少。

目标达成:
理解Pytorch的Tensor库以及高层次的神经网络训练一个小的神经网络来分类图像 查看全部
在以前的教程中,你已经知道如何定义神经网络,计算损失以及更新网络权重。现在你可能会想,


数据怎么办


一般来说,当你处理图像、文本、音频或视频数据时,你可以使用标准的python包来将数据载入到numpy数组中。然后你可以将这个数组转化为torch.Tensor。
  • 对于图像,诸如Pillow, OpenCV这些包很好用。
  • 对于音频,可以使用scipy和librosa。
  • 对于文本,要么使用原始的Python或Cython载入方式,要么使用NLTK和SpaCy。

特别的对于vision,我们创建了一个叫做torchvision的包,它有一些常用数据集(Imagenet, CIFAR10, MNIST等)的数据载入器,以及图像的数据转换器, torchvision.datasets和torch.utils.data.DataLoader

这提供了巨大的便利,避免编写样板代码。

在本教程中,我们使用CIFAR10数据集。它有10个类别:‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。CIFAR10中的图像尺寸在3x32x32,即3通道彩色图像,32x32像素大小。
CIFAR-10是多伦多大学提供的图片数据库,图片分辨率压缩至32x32,一共有10种图片分类,均进行了标注。适合监督式学习。
cifar10.png


训练一个图像分类器


我们将按顺序完成以下步骤:
  • 载入和规范化CIFAR10的训练和测试集,使用torchvision
  • 定义一个卷积神经网络
  • 定义损失函数
  • 在训练集上进行训练
  • 在测试集上测试网络


1. 载入和规范化CIFAR10

使用torchvision,载入CIFAR10非常简单。
import torch
import torchvision
import torchvision.transforms as transforms
torchvision datasets的输出时范围在[0, 1]的PILImage图像。我们将它们转换为规范区间[-1, 1]的Tensor。
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)

testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=True, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

输出:
Downloading http://www.cs.toronto.edu/~kri ... ar.gz to ./data/cifar-10-python.tar.gz
Files already downloaded and verified
让我们展示一些训练图像。
import matplotlib.pyplot as plt
import numpy as np

# functions to show image
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))

# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()

# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

输出:
cifar_train_1.png

2. 定义一个卷积神经网络
复制在神经网络那一节的神经网络,将其更改为3通道图像输入(而不是原始的单通道输入)。
from torch.autograd import Variable
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()



3. 定义损失函数和优化器

让我们来使用分类交叉熵和带有动量的SGD
import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
4. 训练网络
for epoch in range(10): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the input
inputs, labels = data

# wrap time in Variable
inputs, labels = Variable(inputs), Variable(labels)

# zero the parameter gradients
optimizer.zero_grad()

# forward + backward + optimize
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()

# print statistics
running_loss += loss.data[0]
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0

print('Finished Training')
输出:
[1,  2000] loss: 1.184
[1, 4000] loss: 1.206
[1, 6000] loss: 1.186
[1, 8000] loss: 1.162
[1, 10000] loss: 1.195
[1, 12000] loss: 1.165
[2, 2000] loss: 1.095
[2, 4000] loss: 1.076
[2, 6000] loss: 1.086
[2, 8000] loss: 1.092
[2, 10000] loss: 1.060
[2, 12000] loss: 1.110
[3, 2000] loss: 0.999
[3, 4000] loss: 1.005
[3, 6000] loss: 1.016
[3, 8000] loss: 1.016
[3, 10000] loss: 1.017
[3, 12000] loss: 1.023
[4, 2000] loss: 0.922
[4, 4000] loss: 0.933
[4, 6000] loss: 0.959
[4, 8000] loss: 0.975
[4, 10000] loss: 0.985
[4, 12000] loss: 0.968
[5, 2000] loss: 0.861
[5, 4000] loss: 0.908
[5, 6000] loss: 0.911
[5, 8000] loss: 0.932
[5, 10000] loss: 0.920
[5, 12000] loss: 0.919
[6, 2000] loss: 0.839
[6, 4000] loss: 0.853
[6, 6000] loss: 0.887
[6, 8000] loss: 0.891
[6, 10000] loss: 0.890
[6, 12000] loss: 0.876
[7, 2000] loss: 0.819
[7, 4000] loss: 0.808
[7, 6000] loss: 0.831
[7, 8000] loss: 0.852
[7, 10000] loss: 0.842
[7, 12000] loss: 0.869
[8, 2000] loss: 0.761
[8, 4000] loss: 0.784
[8, 6000] loss: 0.808
[8, 8000] loss: 0.827
[8, 10000] loss: 0.841
[8, 12000] loss: 0.860
[9, 2000] loss: 0.731
[9, 4000] loss: 0.758
[9, 6000] loss: 0.801
[9, 8000] loss: 0.784
[9, 10000] loss: 0.831
[9, 12000] loss: 0.817
[10, 2000] loss: 0.723
[10, 4000] loss: 0.733
[10, 6000] loss: 0.775
[10, 8000] loss: 0.763
[10, 10000] loss: 0.802
[10, 12000] loss: 0.799
Finished Training
5. 在测试数据上测试网络

我们已经在训练集上训练了10轮。但是我们需要检查网络是否有学到什么。

我们可以通过检测预测的类别标签,再与真实标签进行对比。如果预测是对的,我们将这个样本加到分类正确的列表中。

Okay,第一步。让我们先展示一些测试数据集中的图像。
dataiter = iter(testloader)
images, labels = dataiter.next()

# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
输出:

[cifar_test_1]

再来看一下神经网络认为这些样本是什么。

输出是10个类别的能量。一个类别能量越高,网络就更多地认为图像是这个特定的类别。因此,让我们获取最高能量类别的索引。
outputs = net(Variable(images))

_, predicted = torch.max(outputs.data, 1)

print('Predicted: ', ' '.join('%5s' % classes[predicted[j][0]] for j in range(4)))
输出:
Predicted:  horse plane horse  frog
结果看起来不错。

让我们再来看看网络在整个数据集上的性能。
correct = 0
total = 0
for data in testloader:
images, labels = data
outputs = net(Variable(images))
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum()

print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total))
输出:
Accuracy of the network on the 10000 test images: 63 %
这个结果看起来远比随机抽取要好,随机抽取的概率为10%。看起来网络确实学到了一些东西。

那么,有哪些类别表现优秀,哪些类别表现不佳呢?
class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
for data in testloader:
images, labels = data
outputs = net(Variable(images))
_, predicted = torch.max(outputs.data, 1)
c = (predicted == labels).squeeze()
for i in range(4):
label = labels
[i] class_correct[label] += c
[i] class_total[label] += 1

for i in range(10):
print('Accuracy of %5s: %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))[/i][/i][/i][/i][/i]
[i][i][i][i][i][i][i][i][i]输出:[/i][/i][/i][/i][/i][/i][/i][/i][/i]
[i][i][i][i][i]Accuracy of plane: 59 %
Accuracy of car: 73 %
Accuracy of bird: 51 %
Accuracy of cat: 46 %
Accuracy of deer: 51 %
Accuracy of dog: 54 %
Accuracy of frog: 76 %
Accuracy of horse: 69 %
Accuracy of ship: 78 %
Accuracy of truck: 72 %[/i][/i][/i][/i][/i]
Okay,还有什么要说明的?

如何在GPU上面运行这个神经网络?

在GPU上训练

与你如何将Tensor转移到GPU上类似,你可以将神经网络转移到GPU上。这将递归的遍历所有的模块并将它们的参数和缓存转化为CUDA tensors。net.cuda()
net.cuda()
记住,你还必须在每一步将输入和结果数据传输到GPU上:
inputs, labels = Variable(inputs.cuda()), Variable(labels.cuda())
为什么我没有注意到相比CPU的巨大的加速?因为你的神经网络非常小。

训练:试着增加你的网络宽度(将第一个nn.Conv@d增广2,将第二个nn.Conv2d增广1 - 它们需要相同的数量),看看你的网络提速了多少。

目标达成:
  • 理解Pytorch的Tensor库以及高层次的神经网络
  • 训练一个小的神经网络来分类图像

[pytorch快速入门教程]神经网络,构造一个小型CNN

pytorchwda 发表了文章 • 0 个评论 • 201 次浏览 • 2017-05-31 22:22 • 来自相关话题

神经网络可以使用torch.nn包来构建。
现在你大致了解了autograd,nn依赖于autograd来定义模型并进行求导。一个nn.Module包含多个神经网络层,以及一个forward(input)方法来返回output。

例如,看看以下这个分类数字图像的网络:






它是一个简单的前馈网络。它将输入逐步地喂给多个层,然后给出输出。

一个典型的神经网络训练过程如下:
定义一个拥有可学习参数(或权重)的神经网络在输入数据上进行迭代在网络中处理数据计算损失(输出离分类正确有多远)梯度反向传播给网络的参数更新网络的权重,通常使用一个简单的更新规则:weight = weight + learning_rate * gradient

定义网络

import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):

def __init__(self):
super(Net, self).__init__()
# 1 图像输入通道, 6 输出通道, 5x5 正方形卷积核
self.conv1 = nn.Conv2d(1, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
# an affine operation: y = Wx + b
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)

def forward(self, x):
# 使用 (2, 2) 窗口最大池化
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# If the size is a square you can only specify a single number
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):
size = x.size()[1:] # 所有维度,除了批尺寸
num_features = 1
for s in size:
num_features *= s
return num_features

net = Net()
print(net)输出:Net (
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear (400 -> 120)
(fc2): Linear (120 -> 84)
(fc3): Linear (84 -> 10)
)
你只需要定义forward函数,backward函数(用来计算梯度)是使用autograd自动为你定义的。你可以在forward中使用任意的Tensor运算操作。

模型中可学习的参数是通过net.parameters()返回的:params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1's .weight输出:10
torch.Size([6, 1, 5, 5])forward的输入是一个autograd.Variable ,输出亦然。input = Variable(torch.randn(1, 1, 32, 32))
out = net(input)
print(out)输出:Variable containing:
0.0455 -0.0445 0.0064 -0.0310 0.0945 -0.0362 -0.1971 0.0555 0.0943 0.1016
[torch.FloatTensor of size 1x10]将梯度缓冲区置0,并使用随机的梯度进行反向传播:net.zero_grad()
out.backward(torch.randn(1, 10))

注意:
torch.nn仅支持mini-batch。整个的torch.nn包仅支持小批量的数据,而不是一个单独的样本。
例如,nn.Conv2d应传入一个4D的Tensor,维度为nSamples x nChannels x Height x Width。
如果你有一个单独的样本,使用input.unsqueeze(0)来添加一个伪批维度。
在继续之前,我们先回顾一下迄今为止的所有课程。


回顾总结:
torch.Tensor 一个多维数组autograd.Variable 包装一个Tensor并且记录应用在其上的历史运算操作。拥有与Tensor相同的API,添加了一些像backward()的操作。还包括相关tensor的梯度。nn.Module 神经网络模块。封装参数的方便方式,带有将它们转移到GPU、导出、载入等的帮助函数。nn.Parameter 一种Variable,当给Module赋值时自动注册一个参数。autograd.Function 实现一个autograd 操作的 forward 和 backward 定义。每一个Variable操作,创建至少一个Function节点,来连接那些创建Variable的函数,并且记录其历史。
在这里,我们涵盖了:
定义神经网络处理输入并调用backward
还剩下:
计算损失更新网络权重

损失函数


一个损失函数以一个(output, target)对为输入,然后计算一个值用以估计输出结果离目标结果多远。
存在多种的损失函数。一个简单的损失函数:nn.MSELoss,它计算输出与目标的均方误差。

例如:output = net(input)
target = Variable(torch.arange(1, 11)) # a dummy target, for example
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)输出:Variable containing:
38.3005
[torch.FloatTensor of size 1]现在,如果你在反方向跟随loss,使用它的.creator属性,你会看到一个如下所示的计算图:input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss因此,当我们调用loss.backward()时,损失对应的整个图都被求导,并且图中所有的变量都会带有累积了梯度的.grad属性。print(loss.creator) # MSELoss
print(loss.creator.previous_functions[0][0]) # linear
print(loss.creator.previous_functions[0][0].previous_functions[0][0]) # ReLU
输出:<torch.nn._functions.thnn.auto.MSELoss object at 0x10e0bdd68>
<torch.nn._functions.linear.Linear object at 0x10e0bdba8>
<torch.nn._functions.thnn.auto.Threshold object at 0x10e0bdac8>
反向传播

要进行反向传播,我们只需要调用loss.backward()。你需要清除现有的梯度,否则梯度将累积到现有梯度。

现在我们将调用loss.backward(),并看看conv1在backward之前和之后的梯度变化。net.zero_grad() # zeroes the gradient buffers of all parameters

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)
输出:conv1.bias.grad before backward
Variable containing:
0
0
0
0
0
0
[torch.FloatTensor of size 6]

conv1.bias.grad after backward
Variable containing:
0.1392
-0.1155
0.0247
0.1121
-0.0559
0.0363
[torch.FloatTensor of size 6]
现在我们知道怎么使用损失函数了。

延伸阅读

神经网络包包含构建深度神经网络的多个模块和损失函数。一个完整的文档列表在这里

仅剩的一个要学习的东西:
更新网络权重

更新权重


实践中最简单的更新规则是随机梯度下降(SGD):weight = weight - learning_rate * gradient
我们可以使用简单的Python代码实现:learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)
然而,当您使用神经网络时,您希望使用各种不同的更新规则,例如SGD,Nesterov-SGD,Adam,RMSProp等等。为了实现这一点,我们构建一个小的包:torch.optim,来实现所有的方法。使用非常简单: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 查看全部
神经网络可以使用torch.nn包来构建。
现在你大致了解了autograd,nn依赖于autograd来定义模型并进行求导。一个nn.Module包含多个神经网络层,以及一个forward(input)方法来返回output。

例如,看看以下这个分类数字图像的网络:

mnist.png


它是一个简单的前馈网络。它将输入逐步地喂给多个层,然后给出输出。

一个典型的神经网络训练过程如下:
  • 定义一个拥有可学习参数(或权重)的神经网络
  • 在输入数据上进行迭代
  • 在网络中处理数据
  • 计算损失(输出离分类正确有多远)
  • 梯度反向传播给网络的参数
  • 更新网络的权重,通常使用一个简单的更新规则:weight = weight + learning_rate * gradient


定义网络


import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):

def __init__(self):
super(Net, self).__init__()
# 1 图像输入通道, 6 输出通道, 5x5 正方形卷积核
self.conv1 = nn.Conv2d(1, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
# an affine operation: y = Wx + b
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)

def forward(self, x):
# 使用 (2, 2) 窗口最大池化
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# If the size is a square you can only specify a single number
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):
size = x.size()[1:] # 所有维度,除了批尺寸
num_features = 1
for s in size:
num_features *= s
return num_features

net = Net()
print(net)
输出:
Net (
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear (400 -> 120)
(fc2): Linear (120 -> 84)
(fc3): Linear (84 -> 10)
)

你只需要定义forward函数,backward函数(用来计算梯度)是使用autograd自动为你定义的。你可以在forward中使用任意的Tensor运算操作。

模型中可学习的参数是通过net.parameters()返回的:
params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1's .weight
输出:
10
torch.Size([6, 1, 5, 5])
forward的输入是一个autograd.Variable ,输出亦然。
input = Variable(torch.randn(1, 1, 32, 32))
out = net(input)
print(out)
输出:
Variable containing:
0.0455 -0.0445 0.0064 -0.0310 0.0945 -0.0362 -0.1971 0.0555 0.0943 0.1016
[torch.FloatTensor of size 1x10]
将梯度缓冲区置0,并使用随机的梯度进行反向传播:
net.zero_grad()
out.backward(torch.randn(1, 10))


注意:
torch.nn仅支持mini-batch。整个的torch.nn包仅支持小批量的数据,而不是一个单独的样本。
例如,nn.Conv2d应传入一个4D的Tensor,维度为nSamples x nChannels x Height x Width。
如果你有一个单独的样本,使用input.unsqueeze(0)来添加一个伪批维度。
在继续之前,我们先回顾一下迄今为止的所有课程。



回顾总结:
  • torch.Tensor 一个多维数组
  • autograd.Variable 包装一个Tensor并且记录应用在其上的历史运算操作。拥有与Tensor相同的API,添加了一些像backward()的操作。还包括相关tensor的梯度。
  • nn.Module 神经网络模块。封装参数的方便方式,带有将它们转移到GPU、导出、载入等的帮助函数。
  • nn.Parameter 一种Variable,当给Module赋值时自动注册一个参数。
  • autograd.Function 实现一个autograd 操作的 forward 和 backward 定义。每一个Variable操作,创建至少一个Function节点,来连接那些创建Variable的函数,并且记录其历史。

在这里,我们涵盖了:
  • 定义神经网络
  • 处理输入并调用backward

还剩下:
  • 计算损失
  • 更新网络权重


损失函数



一个损失函数以一个(output, target)对为输入,然后计算一个值用以估计输出结果离目标结果多远。
存在多种的损失函数。一个简单的损失函数:nn.MSELoss,它计算输出与目标的均方误差。

例如:
output = net(input)
target = Variable(torch.arange(1, 11)) # a dummy target, for example
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)
输出:
Variable containing:
38.3005
[torch.FloatTensor of size 1]
现在,如果你在反方向跟随loss,使用它的.creator属性,你会看到一个如下所示的计算图:
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss
因此,当我们调用loss.backward()时,损失对应的整个图都被求导,并且图中所有的变量都会带有累积了梯度的.grad属性。
print(loss.creator)  # MSELoss
print(loss.creator.previous_functions[0][0]) # linear
print(loss.creator.previous_functions[0][0].previous_functions[0][0]) # ReLU

输出:
<torch.nn._functions.thnn.auto.MSELoss object at 0x10e0bdd68>
<torch.nn._functions.linear.Linear object at 0x10e0bdba8>
<torch.nn._functions.thnn.auto.Threshold object at 0x10e0bdac8>

反向传播

要进行反向传播,我们只需要调用loss.backward()。你需要清除现有的梯度,否则梯度将累积到现有梯度。

现在我们将调用loss.backward(),并看看conv1在backward之前和之后的梯度变化。
net.zero_grad()   # zeroes the gradient buffers of all parameters

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

输出:
conv1.bias.grad before backward
Variable containing:
0
0
0
0
0
0
[torch.FloatTensor of size 6]

conv1.bias.grad after backward
Variable containing:
0.1392
-0.1155
0.0247
0.1121
-0.0559
0.0363
[torch.FloatTensor of size 6]

现在我们知道怎么使用损失函数了。

延伸阅读

神经网络包包含构建深度神经网络的多个模块和损失函数。一个完整的文档列表在这里

仅剩的一个要学习的东西:
  • 更新网络权重


更新权重



实践中最简单的更新规则是随机梯度下降(SGD):
weight = weight - learning_rate * gradient

我们可以使用简单的Python代码实现:
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)

然而,当您使用神经网络时,您希望使用各种不同的更新规则,例如SGD,Nesterov-SGD,Adam,RMSProp等等。为了实现这一点,我们构建一个小的包:torch.optim,来实现所有的方法。使用非常简单:
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

[pytorch快速入门教程]Autograd自动求导

pytorchptorch 发表了文章 • 0 个评论 • 245 次浏览 • 2017-05-31 22:02 • 来自相关话题

Pytorch中所有神经网络的中心部分是autograd包。我们首先浏览一下它,然后再构建我们的第一个神经网络。
autograd包为Tensor上的所有运算提供了自动求导功能。它是一个由运行定义的框架,即你的反向传播是由你的代码如何运行来决定的,而且每一轮迭代都可能是不同的。
让我们用几个简单的例子来了解几个简单的术语。

Variable 变量

autograd.Variable是这个包的中心类。它包装一个Tensor,并且支持几乎所有定义在这个Tensor上的运算。一旦你完成了你的计算,你可以调用.backward()来自动地计算全部的梯度。
你可以通过.data属性来访问最原始的tensor,而梯度则相应地被累计到了.grad中。




autograd的实现中还有一个非常重要的类-Function。

Variable和Function是相互关联的并且构建了一个非循环图,其中编码了整个的计算历史。每一个变量都有一个.creator属性,它引用一个常见Variable的Function(除了用户创建的Variables-它们的creator是None)。

如果你想计算导数,可以在Variable上调用.backward()。如果Variable是个标量(一个单元素数据),那么你不用为backward()指定任何参数,然而如果它有多个元素,你需要指定一个grad_output参数,它是一个匹配尺寸的tensor。import torch
from torch.autograd import Variabl
创建一个变量:
x = Variable(torch.ones(2, 2), requires_grad=True)
print(x)输出:
Variable containing:
1 1
1 1
[torch.FloatTensor of size 2x2]对变量进行运算:
y = x + 2
print(y)输出:Variable containing:
3 3
3 3
[torch.FloatTensor of size 2x2]
y是作为一个运算操作的结果而创建的,因而它有一个
print(y.creator)
输出:
<torch.autograd._functions.basic_ops.AddConstant object at 0x108ada4a8>在y上做更多的运算:z = y * y * 3
out = z.mean()

print(z, out)输出:Variable containing:
27 27
27 27
[torch.FloatTensor of size 2x2]
Variable containing:
27
[torch.FloatTensor of size 1]

Gradients 梯度


让我们使用反向传播out.backward(),它等同于out.backward(torch.Tensor([1.0]))。
out.backward()打印梯度
print(x.grad)输出:Variable containing:
4.5000 4.5000
4.5000 4.5000
[torch.FloatTensor of size 2x2]你应该会得到一个4.5的矩阵。让我们称out变量为o。我们有o=14∑izio=14∑izi,zi=3(xi+2)2zi=3(xi+2)2 以及 zi∣∣xi=1=27zi|xi=1=27 。因此,∂o∂xi=32(xi+2)∂o∂xi=32(xi+2),从而∂o∂xi∣∣xi=1=92=4.5∂o∂xi|xi=1=92=4.5。

你还可以使用autograd做一些疯狂的事情!x = torch.randn(3)
x = Variable(x, requires_grad=True)

y = x * 2
while y.data.norm() < 1000:
y = y * 2

print(y)
输出:Variable containing:
596.2775
-807.4459
-550.6819
[torch.FloatTensor of size 3]gradients = torch.FloatTensor([0.1, 1.0, 0.0001])
y.backward(gradients)

print(x.grad)输出:Variable containing:
102.4000
1024.0000
0.1024
[torch.FloatTensor of size 3]延伸阅读:

Variable和Function的文档:http://pytorch.org/docs/autograd 查看全部
Pytorch中所有神经网络的中心部分是autograd包。我们首先浏览一下它,然后再构建我们的第一个神经网络。
autograd包为Tensor上的所有运算提供了自动求导功能。它是一个由运行定义的框架,即你的反向传播是由你的代码如何运行来决定的,而且每一轮迭代都可能是不同的。
让我们用几个简单的例子来了解几个简单的术语。


Variable 变量


autograd.Variable是这个包的中心类。它包装一个Tensor,并且支持几乎所有定义在这个Tensor上的运算。一旦你完成了你的计算,你可以调用.backward()来自动地计算全部的梯度。
你可以通过.data属性来访问最原始的tensor,而梯度则相应地被累计到了.grad中。
Variable.png

autograd的实现中还有一个非常重要的类-Function。

Variable和Function是相互关联的并且构建了一个非循环图,其中编码了整个的计算历史。每一个变量都有一个.creator属性,它引用一个常见Variable的Function(除了用户创建的Variables-它们的creator是None)。

如果你想计算导数,可以在Variable上调用.backward()。如果Variable是个标量(一个单元素数据),那么你不用为backward()指定任何参数,然而如果它有多个元素,你需要指定一个grad_output参数,它是一个匹配尺寸的tensor。
import torch
from torch.autograd import Variabl

创建一个变量:
x = Variable(torch.ones(2, 2), requires_grad=True)
print(x)
输出:
Variable containing:
1 1
1 1
[torch.FloatTensor of size 2x2]
对变量进行运算:
y = x + 2
print(y)
输出:
Variable containing:
3 3
3 3
[torch.FloatTensor of size 2x2]

y是作为一个运算操作的结果而创建的,因而它有一个
print(y.creator)

输出:
<torch.autograd._functions.basic_ops.AddConstant object at 0x108ada4a8>
在y上做更多的运算:
z = y * y * 3
out = z.mean()

print(z, out)
输出:
Variable containing:
27 27
27 27
[torch.FloatTensor of size 2x2]
Variable containing:
27
[torch.FloatTensor of size 1]


Gradients 梯度



让我们使用反向传播out.backward(),它等同于out.backward(torch.Tensor([1.0]))
out.backward()
打印梯度
print(x.grad)
输出:
Variable containing:
4.5000 4.5000
4.5000 4.5000
[torch.FloatTensor of size 2x2]
你应该会得到一个4.5的矩阵。让我们称out变量为o。我们有o=14∑izio=14∑izi,zi=3(xi+2)2zi=3(xi+2)2 以及 zi∣∣xi=1=27zi|xi=1=27 。因此,∂o∂xi=32(xi+2)∂o∂xi=32(xi+2),从而∂o∂xi∣∣xi=1=92=4.5∂o∂xi|xi=1=92=4.5。

你还可以使用autograd做一些疯狂的事情!
x = torch.randn(3)
x = Variable(x, requires_grad=True)

y = x * 2
while y.data.norm() < 1000:
y = y * 2

print(y)

输出:
Variable containing:
596.2775
-807.4459
-550.6819
[torch.FloatTensor of size 3]
gradients = torch.FloatTensor([0.1, 1.0, 0.0001])
y.backward(gradients)

print(x.grad)
输出:
Variable containing:
102.4000
1024.0000
0.1024
[torch.FloatTensor of size 3]
延伸阅读:

Variable和Function的文档:http://pytorch.org/docs/autograd

[pytorch快速入门教程]pytorch的基石-Tensor张量

pytorchwda 发表了文章 • 0 个评论 • 683 次浏览 • 2017-05-30 22:28 • 来自相关话题

Tensors类似于numpy的ndarray,但是带了一些附加的功能,例如可以使用GPU加速计算等等。import torch
构建一个未初始化的 5x3 矩阵:x = torch.Tensor(5, 3)
print(x)
输出:1.00000e-37 *
0.0000 0.0000 0.0000
0.0000 0.0386 0.0000
0.1063 0.0000 0.9101
0.0000 0.8589 0.0000
3.8771 0.0000 4.7069
[torch.FloatTensor of size 5x3]构建一个随机初始化的矩阵:x = torch.rand(5, 3)
print(x)
输出: 0.0968 0.3444 0.8056
0.1710 0.9617 0.1205
0.8129 0.4235 0.8243
0.2726 0.2321 0.3425
0.3740 0.7438 0.8613
[torch.FloatTensor of size 5x3]
获取矩阵维度大小:print(x.size())输出:(5L, 3L)注意:
torch.Size 实际上是一个元组,因此它支持相同的操作。

运算操作
运算操作有多种语法,让我们看看加法的例子。

加法:语法1x = torch.rand(5, 3)
print(x)

y = torch.rand(5, 3)

print y
print(x + y)输出: 0.9073 0.0706 0.4055
0.2490 0.8740 0.8407
0.6423 0.6609 0.1303
0.7129 0.9927 0.5198
0.8317 0.0544 0.3642
[torch.FloatTensor of size 5x3]


0.1939 0.1270 0.7614
0.5257 0.0990 0.6064
0.7934 0.8955 0.7206
0.9461 0.2732 0.3663
0.3572 0.4705 0.3903
[torch.FloatTensor of size 5x3]


1.1011 0.1976 1.1669
0.7747 0.9730 1.4471
1.4357 1.5564 0.8509
1.6591 1.2659 0.8861
1.1889 0.5249 0.7544
[torch.FloatTensor of size 5x3]加法:语法2print(torch.add(x, y))
注意: 1.1011 0.1976 1.1669
0.7747 0.9730 1.4471
1.4357 1.5564 0.8509
1.6591 1.2659 0.8861
1.1889 0.5249 0.7544
[torch.FloatTensor of size 5x3]加法:给定一个输出tensorresult = torch.Tensor(5, 3)
torch.add(x, y, out=result)
print(result)加法:就地# adds x to y
y.add_(x)
print(y)输出: 1.1177 0.8514 1.1459
1.1878 0.9249 0.5759
1.3508 1.4628 1.2833
1.8678 0.8499 0.2941
0.9718 1.0785 0.6914
[torch.FloatTensor of size 5x3]注意:
任何就地改变一个tensor的操作都以_为后缀。例如:x.copy_(y), x.t_(),都会改变x。

你可以像numpy一样使用索引!
 
任何就地改变一个tensor的操作都以_为后缀。例如:x.copy_(y), x.t_(),都会改变x。print(x[:, 1])输出:0.4855
0.4525
0.8742
0.1873
0.2953
[torch.FloatTensor of size 5]延伸阅读:
100+ Tensor运算,包括转置、索引、切分、数学运算、线性代数随机数等等,参考:http://pytorch.org/docs/torch
 
Numpy的桥梁
Torch的Tensor和Numpy的数组之间的互转简直像一阵清风一样。Torch的Tensor和Numpy的数组会共享它们的底层存储位置,该变其中一个,另外一个也会改变。
将Torch Tensor转换为Numpy数组a = torch.ones(5)
print(a)输出: 1
1
1
1
1
[torch.FloatTensor of size 5]接下来我们进行转换# -*- coding: utf-8 -*-
import torch

a = torch.ones(5)

b = a.numpy()
print(b)输出:[ 1. 1. 1. 1. 1.]看看当改变numpy数组的值时发生了什么。a.add_(5)
print(a)
print(b)输出: 6
6
6
6
6
[torch.FloatTensor of size 5]

[ 6. 6. 6. 6. 6.]
 将Numpy数组转换为Torch Tensor

看看更改Numpy数组的同时自动地更改了Torch Tensor# -*- coding: utf-8 -*-
import torch
import numpy as np

a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 3, out=a)
print(a)
print(b)输出:[ 4. 4. 4. 4. 4.]

4
4
4
4
4
[torch.DoubleTensor of size 5]除了CharTensor之外,CPU上的所有Tensor都支持与Numpy数组的来回转换。

CUDA Tensors
可以使用.cuda函数将Tensor转移到GPU上。# let us run this cell only if CUDA is available
if torch.cuda.is_available():
x = x.cuda()
y = y.cuda()
x + y
  查看全部
Tensors类似于numpy的ndarray,但是带了一些附加的功能,例如可以使用GPU加速计算等等。
import torch

构建一个未初始化的 5x3 矩阵:
x = torch.Tensor(5, 3) 
print(x)

输出:
1.00000e-37 *
0.0000 0.0000 0.0000
0.0000 0.0386 0.0000
0.1063 0.0000 0.9101
0.0000 0.8589 0.0000
3.8771 0.0000 4.7069
[torch.FloatTensor of size 5x3]
构建一个随机初始化的矩阵:
x = torch.rand(5, 3)
print(x)

输出:
 0.0968  0.3444  0.8056
0.1710 0.9617 0.1205
0.8129 0.4235 0.8243
0.2726 0.2321 0.3425
0.3740 0.7438 0.8613
[torch.FloatTensor of size 5x3]

获取矩阵维度大小:
print(x.size())
输出:
(5L, 3L)
注意:
torch.Size 实际上是一个元组,因此它支持相同的操作。

运算操作
运算操作有多种语法,让我们看看加法的例子。

加法:语法1
x = torch.rand(5, 3)
print(x)

y = torch.rand(5, 3)

print y
print(x + y)
输出:
 0.9073  0.0706  0.4055
0.2490 0.8740 0.8407
0.6423 0.6609 0.1303
0.7129 0.9927 0.5198
0.8317 0.0544 0.3642
[torch.FloatTensor of size 5x3]


0.1939 0.1270 0.7614
0.5257 0.0990 0.6064
0.7934 0.8955 0.7206
0.9461 0.2732 0.3663
0.3572 0.4705 0.3903
[torch.FloatTensor of size 5x3]


1.1011 0.1976 1.1669
0.7747 0.9730 1.4471
1.4357 1.5564 0.8509
1.6591 1.2659 0.8861
1.1889 0.5249 0.7544
[torch.FloatTensor of size 5x3]
加法:语法2
print(torch.add(x, y))

注意:
 1.1011  0.1976  1.1669
0.7747 0.9730 1.4471
1.4357 1.5564 0.8509
1.6591 1.2659 0.8861
1.1889 0.5249 0.7544
[torch.FloatTensor of size 5x3]
加法:给定一个输出tensor
result = torch.Tensor(5, 3)
torch.add(x, y, out=result)
print(result)
加法:就地
# adds x to y
y.add_(x)
print(y)
输出:
 1.1177  0.8514  1.1459
1.1878 0.9249 0.5759
1.3508 1.4628 1.2833
1.8678 0.8499 0.2941
0.9718 1.0785 0.6914
[torch.FloatTensor of size 5x3]
注意:
任何就地改变一个tensor的操作都以_为后缀。例如:x.copy_(y), x.t_(),都会改变x。

你可以像numpy一样使用索引!
 
任何就地改变一个tensor的操作都以_为后缀。例如:x.copy_(y), x.t_(),都会改变x。
print(x[:, 1])
输出:
0.4855
0.4525
0.8742
0.1873
0.2953
[torch.FloatTensor of size 5]
延伸阅读:
100+ Tensor运算,包括转置、索引、切分、数学运算、线性代数随机数等等,参考:http://pytorch.org/docs/torch
 
Numpy的桥梁
  • Torch的Tensor和Numpy的数组之间的互转简直像一阵清风一样。
  • Torch的Tensor和Numpy的数组会共享它们的底层存储位置,该变其中一个,另外一个也会改变。

将Torch Tensor转换为Numpy数组
a = torch.ones(5)
print(a)
输出:
 1
1
1
1
1
[torch.FloatTensor of size 5]
接下来我们进行转换
# -*- coding: utf-8 -*-
import torch

a = torch.ones(5)

b = a.numpy()
print(b)
输出:
[ 1.  1.  1.  1.  1.]
看看当改变numpy数组的值时发生了什么。
a.add_(5)
print(a)
print(b)
输出:
 6
6
6
6
6
[torch.FloatTensor of size 5]

[ 6. 6. 6. 6. 6.]

 将Numpy数组转换为Torch Tensor

看看更改Numpy数组的同时自动地更改了Torch Tensor
# -*- coding: utf-8 -*-
import torch
import numpy as np

a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 3, out=a)
print(a)
print(b)
输出:
[ 4.  4.  4.  4.  4.]

4
4
4
4
4
[torch.DoubleTensor of size 5]
除了CharTensor之外,CPU上的所有Tensor都支持与Numpy数组的来回转换。

CUDA Tensors
可以使用.cuda函数将Tensor转移到GPU上。
# let us run this cell only if CUDA is available
if torch.cuda.is_available():
x = x.cuda()
y = y.cuda()
x + y

 

[pytorch快速入门教程]pytorch怎么安装?

pytorchwda 发表了文章 • 0 个评论 • 699 次浏览 • 2017-05-30 22:11 • 来自相关话题

上一章我们说了[pytorch快速入门教程]pytorch是什么?,PyTorch不是一个Python绑定到一个单一的C ++框架。它被构建为深入整合到Python中。所以,在我们安装pytorch前,你必须先安装python,如果你还没有安装,如果你有问题,你可以看一下:安装Python
 
一. 根据自己的配置选择安装方法
进入pytorch官网:http://pytorch.org/ 他这个很方便,可以根据自定义选择安装方法,我来看一下我的配置,选择一下安装方法,Mac 下CUDA无所谓。看一下我的图,你们可以按照自己的配置来选择:





二. PIP安装pytorch
当然你可以按照自己的需求选择安装方式,你在上图选择自己的配置,在Run this command复制代码,直接打开命令行工具粘贴运行,即可完成pytorch的安装。
我的是Mac OS系统,所以选择OSX,PIP安装,代码如下:pip install http://download.pytorch.org/wh ... 4.whl
pip install torchvision
# OSX Binaries dont support CUDA, install from source if CUDA is needed如果安装中报错,可能是权限等问题,自己看一下解决即可!
  查看全部
上一章我们说了[pytorch快速入门教程]pytorch是什么?,PyTorch不是一个Python绑定到一个单一的C ++框架。它被构建为深入整合到Python中。所以,在我们安装pytorch前,你必须先安装python,如果你还没有安装,如果你有问题,你可以看一下:安装Python
 
一. 根据自己的配置选择安装方法
进入pytorch官网:http://pytorch.org/ 他这个很方便,可以根据自定义选择安装方法,我来看一下我的配置,选择一下安装方法,Mac 下CUDA无所谓。看一下我的图,你们可以按照自己的配置来选择:
593a11a33bbc9d9a2ad54ba030f603da.png


二. PIP安装pytorch
当然你可以按照自己的需求选择安装方式,你在上图选择自己的配置,在Run this command复制代码,直接打开命令行工具粘贴运行,即可完成pytorch的安装。
我的是Mac OS系统,所以选择OSX,PIP安装,代码如下:
pip install http://download.pytorch.org/wh ... 4.whl 
pip install torchvision
# OSX Binaries dont support CUDA, install from source if CUDA is needed
如果安装中报错,可能是权限等问题,自己看一下解决即可!
 

[pytorch快速入门教程]pytorch是什么?

pytorchwda 发表了文章 • 0 个评论 • 181 次浏览 • 2017-05-30 21:30 • 来自相关话题

PyTorch是一个提供两个高级功能的python包:
具有强GPU加速度的张量计算(如numpy)深层神经网络建立在基于磁带的自动调整系统上
您可以重用您最喜爱的python软件包,如numpy,scipy和Cython,以便在需要时扩展PyTorch。

PyTorch在细粒度级别是由以下组件组成的库:
torch 像NumPy这样的Tensor图书馆,拥有强大的GPU支持torch.autograd 一种基于磁带的自动分类库,支持所有可区分的Tensor操作手电筒torch.nn 一个神经网络库与autograd设计了最大的灵活性torch.optim 一种与torch.nn一起使用的优化包,具有标准优化方法,如SGD,RMSProp,LBFGS,Adam等。torch.multiprocessing python多处理,但是具有魔法内存共享的手电筒传感器跨过程。适用于数据加载和hogwild培训。torch.utils DataLoader,Trainer等实用功能为方便起见torch.legacy(.nn / .optim) 由于向后兼容性原因,已经从割炬移植的旧代码

通常使用PyTorch可以:
使用GPU的功能代替numpy。一个深刻的学习研究平台,提供最大的灵活性和速度
 进一步阐述:GPU准备好的Tensor库
如果你使用numpy,那么你已经使用了Tensors(aka ndarray)。




PyTorch提供可以在CPU或GPU上生活的Tensors,并加速计算量。
我们提供各种各样的张量程序,以加速和适应您的科学计算需求,如切片,索引,数学运算,线性代数,缩减。他们快!

动态神经网络:基于磁带的自动格式
PyTorch具有构建神经网络的独特方式:使用和重放磁带录音机。
大多数框架,比如TensorFlow,Theano,Caffe和CNTK拥有世界的静态视图。必须建立一个神经网络,并重复使用相同的结构。改变网络行为的方式意味着必须从头开始。
使用PyTorch,我们使用一种称为反向模式自动分化的技术,它允许您以零延迟或开销改变网络的任意运行方式。我们的灵感来自于在这个题目的几个研究论文,以及当前和过去的工作,如 autograd, autograd, Chainer等。
虽然这种技术并不是PyTorch所特有的,但它是迄今为止最快的实现之一。您可以为您的疯狂研究获得最佳的速度和灵活性。





Python第一
PyTorch不是一个Python绑定到一个单一的C ++框架。它被构建为深入整合到Python中。您可以自然地使用它,就像您将使用numpy / scipy / scikit学习等。您可以使用自己喜欢的库并使用Cython和Numba等软件包,在Python本身编写新的神经网络层。我们的目标是不要在适当的时候重塑轮子。

势在必得的经验
PyTorch的设计是直观的,线性的思想和易于使用。当您执行一行代码时,它将被执行。没有一个异步的世界观。当您进入调试器或接收错误消息和堆栈跟踪时,理解它们是直接的。堆栈跟踪正好指向您的代码定义的位置。我们希望您不要花费几个小时来调试代码,因为堆栈跟踪错误或异步和不透明的执行引擎。

快速和精益
PyTorch具有最小的框架开销。我们集成加速库,如英特尔MKL和NVIDIA(CuDNN,NCCL),以最大限度地提高速度。核心是CPU和GPU Tensor和神经网络后端(TH,THC,THNN,THCUNN)都是用C99 API写成独立的库。
它们已经成熟,并已经过多年的测试。
因此,PyTorch相当快 - 无论您是运行小型或大型神经网络。
PyTorch的内存使用率与Torch或其他一些替代品相比非常有效。我们为GPU编写了自定义内存分配器,以确保您的深入学习模型具有最大的内存效率。这使您能够训练比以前更大的深入学习模型。

扩展没有痛苦
编写新的神经网络模块,或与PyTorch的Tensor API进行接口的设计是简单而且抽象最少的。您可以使用torch API 或您喜欢的基于numpy的库(如SciPy)在Python中编写新的神经网络层如果你想用C / C ++图层,我们根据一个扩展API CFFI是有效的,并以最小的样板。没有需要编写的包装器代码。你可以在这里看到一个例子。 查看全部
PyTorch是一个提供两个高级功能的python包:
  • 具有强GPU加速度的张量计算(如numpy)
  • 深层神经网络建立在基于磁带的自动调整系统上

您可以重用您最喜爱的python软件包,如numpy,scipy和Cython,以便在需要时扩展PyTorch。

PyTorch在细粒度级别是由以下组件组成的库:
  • torch 像NumPy这样的Tensor图书馆,拥有强大的GPU支持
  • torch.autograd 一种基于磁带的自动分类库,支持所有可区分的Tensor操作手电筒
  • torch.nn 一个神经网络库与autograd设计了最大的灵活性
  • torch.optim 一种与torch.nn一起使用的优化包,具有标准优化方法,如SGD,RMSProp,LBFGS,Adam等。
  • torch.multiprocessing python多处理,但是具有魔法内存共享的手电筒传感器跨过程。适用于数据加载和hogwild培训。
  • torch.utils DataLoader,Trainer等实用功能为方便起见
  • torch.legacy(.nn / .optim) 由于向后兼容性原因,已经从割炬移植的旧代码


通常使用PyTorch可以:
  • 使用GPU的功能代替numpy。
  • 一个深刻的学习研究平台,提供最大的灵活性和速度

 进一步阐述:GPU准备好的Tensor库
如果你使用numpy,那么你已经使用了Tensors(aka ndarray)。
tensor_illustration.png

PyTorch提供可以在CPU或GPU上生活的Tensors,并加速计算量。
我们提供各种各样的张量程序,以加速和适应您的科学计算需求,如切片,索引,数学运算,线性代数,缩减。他们快!

动态神经网络:基于磁带的自动格式
PyTorch具有构建神经网络的独特方式:使用和重放磁带录音机。
大多数框架,比如TensorFlowTheanoCaffeCNTK拥有世界的静态视图。必须建立一个神经网络,并重复使用相同的结构。改变网络行为的方式意味着必须从头开始。
使用PyTorch,我们使用一种称为反向模式自动分化的技术,它允许您以零延迟或开销改变网络的任意运行方式。我们的灵感来自于在这个题目的几个研究论文,以及当前和过去的工作,如 autograd, autograd, Chainer等。
虽然这种技术并不是PyTorch所特有的,但它是迄今为止最快的实现之一。您可以为您的疯狂研究获得最佳的速度和灵活性。
dynamic_graph.gif


Python第一
PyTorch不是一个Python绑定到一个单一的C ++框架。它被构建为深入整合到Python中。您可以自然地使用它,就像您将使用numpy / scipy / scikit学习等。您可以使用自己喜欢的库并使用Cython和Numba等软件包,在Python本身编写新的神经网络层。我们的目标是不要在适当的时候重塑轮子。

势在必得的经验
PyTorch的设计是直观的,线性的思想和易于使用。当您执行一行代码时,它将被执行。没有一个异步的世界观。当您进入调试器或接收错误消息和堆栈跟踪时,理解它们是直接的。堆栈跟踪正好指向您的代码定义的位置。我们希望您不要花费几个小时来调试代码,因为堆栈跟踪错误或异步和不透明的执行引擎。

快速和精益
PyTorch具有最小的框架开销。我们集成加速库,如英特尔MKL和NVIDIA(CuDNN,NCCL),以最大限度地提高速度。核心是CPU和GPU Tensor和神经网络后端(TH,THC,THNN,THCUNN)都是用C99 API写成独立的库。
它们已经成熟,并已经过多年的测试。
因此,PyTorch相当快 - 无论您是运行小型或大型神经网络。
PyTorch的内存使用率与Torch或其他一些替代品相比非常有效。我们为GPU编写了自定义内存分配器,以确保您的深入学习模型具有最大的内存效率。这使您能够训练比以前更大的深入学习模型。

扩展没有痛苦
  • 编写新的神经网络模块,或与PyTorch的Tensor API进行接口的设计是简单而且抽象最少的。
  • 您可以使用torch API 或您喜欢的基于numpy的库(如SciPy)在Python中编写新的神经网络层
  • 如果你想用C / C ++图层,我们根据一个扩展API CFFI是有效的,并以最小的样板。
  • 没有需要编写的包装器代码。你可以在这里看到一个例子。

什么是Pytorch?

回复

默认分类匿名用户 回复了问题 • 1 人关注 • 1 个回复 • 176 次浏览 • 2017-05-28 18:17 • 来自相关话题

Python结合百度翻译实现"多语言"自动翻译,完整Demo及教程

默认分类ptorch 发表了文章 • 0 个评论 • 185 次浏览 • 2017-05-28 17:53 • 来自相关话题

今天我写爬虫的时候,需要爬取一些国外的论坛;拿过来的内容需要翻译成汉语,我们平时遇到不会的英文都会上百度翻译什么的,那么今天我们用Python来实现一下吧!
一. 调用平台(百度翻译)其他平台类似
注册获取APPID,基本信息随便填就行了,注册地址:http://api.fanyi.baidu.com/api ... apply获取APPID和密钥


查看开发文档,看一下参数配置,地址为:http://api.fanyi.baidu.com/api/trans/product/apidoc
二. Python实现自动翻译
注意:需要条件,requests,demjson;这个相信任何pythoner都有吧,好的,我们接下来贴代码。# -*- coding: utf-8 -*-
import hashlib
import requests
import demjson


def translate(type,q,tfrom,to,appid,salt):
apiurl = {"http" : "http://api.fanyi.baidu.com/api ... ot%3B, "https" : "https://fanyi-api.baidu.com/ap ... ot%3B }
# 签名 appid+q+salt+密钥 的MD5值
sign=hashlib.md5(appid+q+salt+secrect).hexdigest()
api = apiurl[type]+"?q="+q+"&from="+tfrom+"&from="+tfrom+"&to="+to+"&appid="+appid+"&salt="+salt+"&sign="+sign
translate = requests.get(api).text
try:
info = demjson.decode(translate)
trans_result = info["trans_result"]
src = trans_result[0]["src"]
dst = trans_result[0]["dst"]
print src
print dst
except:
print "参数错误,错误原因查看:http://api.fanyi.baidu.com/api ... ot%3B

if __name__ == "__main__":
# 请求方式
type = "http"
# 请求翻译query,UTF-8编码
q = "我明天就要回家了,要不今天我们聚一聚?"
# 翻译源语言
tfrom = "zh"
# 译文语言
to = "en"
# appid
appid = "20170528123442426"
# 随机数
salt = "2012052822249486"
# 密钥
secrect = "Wh2tOnmo3wqbVCskPavC"
translate(type,q,tfrom,to,appid,salt)如果遇到错误,取看一下文档,如果不知道翻译简称,也可以去看文档!其实很简单啦,说了这么么多,居然忘了贴效果图,那就来一张吧!




  查看全部
今天我写爬虫的时候,需要爬取一些国外的论坛;拿过来的内容需要翻译成汉语,我们平时遇到不会的英文都会上百度翻译什么的,那么今天我们用Python来实现一下吧!
一. 调用平台(百度翻译)其他平台类似

二. Python实现自动翻译
注意:需要条件,requests,demjson;这个相信任何pythoner都有吧,好的,我们接下来贴代码。
# -*- coding: utf-8 -*-
import hashlib
import requests
import demjson


def translate(type,q,tfrom,to,appid,salt):
apiurl = {"http" : "http://api.fanyi.baidu.com/api ... ot%3B, "https" : "https://fanyi-api.baidu.com/ap ... ot%3B }
# 签名 appid+q+salt+密钥 的MD5值
sign=hashlib.md5(appid+q+salt+secrect).hexdigest()
api = apiurl[type]+"?q="+q+"&from="+tfrom+"&from="+tfrom+"&to="+to+"&appid="+appid+"&salt="+salt+"&sign="+sign
translate = requests.get(api).text
try:
info = demjson.decode(translate)
trans_result = info["trans_result"]
src = trans_result[0]["src"]
dst = trans_result[0]["dst"]
print src
print dst
except:
print "参数错误,错误原因查看:http://api.fanyi.baidu.com/api ... ot%3B

if __name__ == "__main__":
# 请求方式
type = "http"
# 请求翻译query,UTF-8编码
q = "我明天就要回家了,要不今天我们聚一聚?"
# 翻译源语言
tfrom = "zh"
# 译文语言
to = "en"
# appid
appid = "20170528123442426"
# 随机数
salt = "2012052822249486"
# 密钥
secrect = "Wh2tOnmo3wqbVCskPavC"
translate(type,q,tfrom,to,appid,salt)
如果遇到错误,取看一下文档,如果不知道翻译简称,也可以去看文档!其实很简单啦,说了这么么多,居然忘了贴效果图,那就来一张吧!
8345af5a09e067d9f4e11b5c402d3780.png