[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 • 889 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 • 1111 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 • 2675 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 • 1942 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 • 751 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 • 749 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 • 1062 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

 

Mac上安装dlib,使用命令安装dlib

默认分类ptorch 发表了文章 • 0 个评论 • 1582 次浏览 • 2017-05-28 15:50 • 来自相关话题

dlib的依赖:
dlib安装需要的依赖有openblas,opencv。Mac上可以直接使用brew安装。其他系统参照自己的系统即可:
brew install openblas
brew install opencv安装dlib
pip install dlib 查看全部
dlib的依赖:
dlib安装需要的依赖有openblas,opencv。Mac上可以直接使用brew安装。其他系统参照自己的系统即可:
brew install openblas 
brew install opencv
安装dlib
pip install dlib

pytorch 如何安装,如何在mac上安装pytorch?pip如何安装pytorch?

默认分类ptorch 发表了文章 • 1 个评论 • 7230 次浏览 • 2017-05-27 11:48 • 来自相关话题

pytorch出来有一段时间了,今天我才开始学习,一开始学习pytorch,你必须得先安装吧?那么我们今天来说一下怎么安装pytorch;楼主的笔记本是Mac的,所以我以Mac为例子,其他的都差不多,举一反三:
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. 安装
其实在我们第一步中选择,就出现了安装的代码,我们复制粘贴一下,在命令行终端执行一下即可,比如我的是,注意权限即可:pip install download.pytorch.org/whl/torch-0.1.12.post2-cp27-none-macosx_10_7_x86_64.whl

pip install torchvision 查看全部
pytorch出来有一段时间了,今天我才开始学习,一开始学习pytorch,你必须得先安装吧?那么我们今天来说一下怎么安装pytorch;楼主的笔记本是Mac的,所以我以Mac为例子,其他的都差不多,举一反三:
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:
22.png

二. 安装
其实在我们第一步中选择,就出现了安装的代码,我们复制粘贴一下,在命令行终端执行一下即可,比如我的是,注意权限即可:
pip install download.pytorch.org/whl/torch-0.1.12.post2-cp27-none-macosx_10_7_x86_64.whl

pip install torchvision