pytorch

pytorch

pycharm pythorch

回复

pytorchchuwill 发起了问题 • 1 人关注 • 0 个回复 • 37 次浏览 • 3 天前 • 来自相关话题

我现有3万张图片,如何能够把他们以numpy的格式保存起来?

CUDAgolemz 回复了问题 • 2 人关注 • 1 个回复 • 149 次浏览 • 2018-04-11 10:38 • 来自相关话题

pytorch如何将Variable数据转化为Tensor数据

回复

pytorchthc222 回复了问题 • 1 人关注 • 1 个回复 • 165 次浏览 • 2018-04-07 23:46 • 来自相关话题

LSTM在哪里?

pytorch想念成都的美食 回复了问题 • 2 人关注 • 1 个回复 • 463 次浏览 • 2018-01-30 02:09 • 来自相关话题

pytorch如何在两个网络之间共享权重?

pytorch想念成都的美食 回复了问题 • 2 人关注 • 1 个回复 • 711 次浏览 • 2018-01-30 02:02 • 来自相关话题

如何把这两个tensor合并成一个?

pytorch想念成都的美食 回复了问题 • 3 人关注 • 2 个回复 • 564 次浏览 • 2018-01-30 01:58 • 来自相关话题

PYTORCH 使用CUDA

pytorchxus 回复了问题 • 2 人关注 • 1 个回复 • 486 次浏览 • 2018-01-25 23:26 • 来自相关话题

ImportError: dlopen: cannot load any more object with static TLS

回复

pytorch紫林落雪 发起了问题 • 1 人关注 • 0 个回复 • 393 次浏览 • 2018-01-16 15:48 • 来自相关话题

pytorch 如何把Variable转换成numpy?

pytorch匿名用户 回复了问题 • 2 人关注 • 5 个回复 • 930 次浏览 • 2018-01-12 00:54 • 来自相关话题

pytorch使用torch.save()保存大文件非常慢是什么原因?

pytorchsuke 回复了问题 • 2 人关注 • 1 个回复 • 363 次浏览 • 2018-01-11 15:00 • 来自相关话题

pycharm pythorch

回复

pytorchchuwill 发起了问题 • 1 人关注 • 0 个回复 • 37 次浏览 • 3 天前 • 来自相关话题

我现有3万张图片,如何能够把他们以numpy的格式保存起来?

回复

CUDAgolemz 回复了问题 • 2 人关注 • 1 个回复 • 149 次浏览 • 2018-04-11 10:38 • 来自相关话题

pytorch如何将Variable数据转化为Tensor数据

回复

pytorchthc222 回复了问题 • 1 人关注 • 1 个回复 • 165 次浏览 • 2018-04-07 23:46 • 来自相关话题

pytorch如何在两个网络之间共享权重?

回复

pytorch想念成都的美食 回复了问题 • 2 人关注 • 1 个回复 • 711 次浏览 • 2018-01-30 02:02 • 来自相关话题

如何把这两个tensor合并成一个?

回复

pytorch想念成都的美食 回复了问题 • 3 人关注 • 2 个回复 • 564 次浏览 • 2018-01-30 01:58 • 来自相关话题

PYTORCH 使用CUDA

回复

pytorchxus 回复了问题 • 2 人关注 • 1 个回复 • 486 次浏览 • 2018-01-25 23:26 • 来自相关话题

ImportError: dlopen: cannot load any more object with static TLS

回复

pytorch紫林落雪 发起了问题 • 1 人关注 • 0 个回复 • 393 次浏览 • 2018-01-16 15:48 • 来自相关话题

pytorch 如何把Variable转换成numpy?

回复

pytorch匿名用户 回复了问题 • 2 人关注 • 5 个回复 • 930 次浏览 • 2018-01-12 00:54 • 来自相关话题

pytorch使用torch.save()保存大文件非常慢是什么原因?

回复

pytorchsuke 回复了问题 • 2 人关注 • 1 个回复 • 363 次浏览 • 2018-01-11 15:00 • 来自相关话题

pytorch是否支持window?

回复

pytorch泡泡格尔 回复了问题 • 2 人关注 • 2 个回复 • 660 次浏览 • 2017-12-02 00:01 • 来自相关话题

Pytorch v0.3.0版本发布--pytorch性能优化提速,支持ONNX,高阶梯度以及SparseAdam优化器

pytorchptorch 发表了文章 • 0 个评论 • 284 次浏览 • 2017-12-13 22:12 • 来自相关话题

Pytorch v0.3.0版本发布--pytorch性能优化提速,支持ONNX,高阶梯度以及SparseAdam优化器

pytorch v0.3.0修复Bug汇总

pytorchptorch 发表了文章 • 0 个评论 • 240 次浏览 • 2017-12-13 22:08 • 来自相关话题

Torch
修复CUDA延迟初始化,以便在调用时不触发torch.manual_seed(而是在CUDA初始化时调用排队并运行)

张量
如果x是2D,x[[0, 3],]则需要触发高级索引。尾随的逗号不再需要,你可以做x[[0, 3]]x.sort(descending=True)用于错误地拒绝张量。修正了在参数检查逻辑中允许这个错误。numpy输入的张量构造函数: torch.DoubleTensor(np.array([0,1,2], dtype=np.float32))火炬现在将数组的内容复制到适当类型的存储中。如果类型匹配,它将共享底层数组(no-copy),用等价的语义来用另一个张量初始化一个张量。在CUDA上,torch.cuda.FloatTensor(np.random.rand(10,2).astype(np.float32))现在将通过复制工作。ones_like而zeros_like现在创建相同的设备上张量与原张量 torch.multinomial在CPU上将重新形成prob_dist就地输入。修正了这个问题,以确保prob_dist调用后输入的形状不变multinomialexpand并expand_as允许扩展一个空张量到另一个空张量当[..., None, ...]被赋予时(即,在指定索引中的新轴放置),PyTorch与NumPy具有不同的行为。在所有情况下这与NumPy一致。修复指数分布实现从不采样无穷大 - cuRAND返回(0,1]torch的.HalfTensor支持numpy()和torch.from_numpy添加额外的大小检查torch.scatter修复torch.tril和torch.triuGPU上的存储偏移张量(将返回不正确的结果)。修复CUDA qr分解中的内存泄漏修复THCUNN内核中的流识别问题修复kwargs解析torch.topk固定random_在CPU(以前的最大值为2 ^ 32)的DoubleTensor和LongTensor修正ZeroDivisionError: float division by zero打印某些张量时torch.gels当m > n在CPU上发生截断错误并返回不正确的结果时。固定。在tensor.numpy()中添加一个检查,检查是否没有传递位置参数在将张量移至CUDA固定内存之前,添加了一个检查以确保它是 contiguousany并all在CPU上的空张量(以前出错)修复symeig大型矩阵的CUDA。缺点是没有足够的空间分配给工作区,导致一些未定义的行为。改进的数值稳定性torch.var,并torch.std通过使用维尔福德的算法随机数生成器返回uniform具有不一致边界的样本(在cpu实现中不一致并运行到cublas bug)。现在,所有uniform采样的数字将[0, 1)在所有类型和设备的范围内返回修复torch.svd大型CUDA张量中的不段错误(修正了岩浆绑定中的溢出错误)允许空索引张量index_select(而不是错误)在此之前eigenvector=False,symeig为特征向量返回一些未知值。现在我们把它们归零。

sparse

*   修复了在cadd中稀疏张量的合并coalesced计算错误
*   修复.type()不转换索引张量。
*   修复在角落情况下GPU上的稀疏张量聚合

autograd

*   修复了在使用requires_grad = False的叶变量上向后调用时的崩溃问题
*   修正type()非默认GPU输入的变量。
*   当torch.norm返回时0.0,渐变是NaN。我们现在使用梯度0.0,所以梯度是0.0。
*   使用高级索引和更高阶梯度修正正确性问题
*   torch.prod由于类型错误的原因,GPU的落后是失败的。
*   先进的变量索引现在允许索引是一个LongTensor支持的变量
*   Variable.cuda()和Tensor.cuda()在kwargs选项中是一致的

Optim

*   torch.optim.lr_scheduler现在默认导入。

NN

*   现在支持从nn.Module的转发函数返回字典(用于引发错误)
*   什么时候register_buffer("foo", ...)被调用,并且self.foo已经存在,那么不是默默地失败,现在引发一个KeyError
*   修复了缺少_data_ptrs属性的旧RNN/LSTM检查点的加载。
*   nn.Embedding使用该max_norm选项时出现严重错误。这现在已经修复了。
*   当使用该max_norm选项时,传入的索引被写入(由底层实现)。为了解决这个问题,将索引的克隆传递给renorm内核。
*   F.affine_grid现在可以采取非连续的投入
*   EmbeddingBag现在可以接受1D和2D输入。
*   在CuDNN BatchNorm中,批次大于131070的CuDNN错误解决方法
*   修复nn.init.orthogonal在行<cols时正确返回正交向量
*   如果BatchNorm总共只有1每个通道的值,则在训练模式下产生错误。
*   使cuDNN绑定尊重当前的cuda流(以前引起不连贯的错误)
*   当gradOutput是零跨度张量时,修复grid_sample
*   当反射填充超出张量界限时修复分段错误。
*   如果LogSoftmax只有一个元素,-inf则返回。现在这个正确的返回0.0
*   修复pack_padded_sequence接受任意大小的输入(不只是3D输入)
*   检测cuDNN RNN flatten_parameters中的指针别名,并避免该路径。
*   固定ELU更高阶梯度时适用
*   解决半精确度的CuDNN RNN错误
*   防止数值的问题poisson_nll_loss时,log_input=False通过增加一个小小量

分布式和多GPU

*   只允许kwargs输入DataParallel。这曾经失败:n = nn.DataParallel(Net()); out = n(input=i)
*   DistributedDataParallel在python2中正确计算num_samples
*   当使用每个进程1-GPU时,修复DistributedDataParallel的情况。
*   修复了DataParallel以指定不包含GPU-0的GPU
*   分布式数据并行的退出不会出错,守护进程标志被设置。
*   修复DistributedDataParallel中的一个错误,当模型没有时buffers(以前引起非连贯错误)
*   修复__get_state__功能DistributedDataParallel(没有返回)
*   当GIL和CudaFreeMutex互相挨饿时,修复NCCL绑定中的死锁

其他

*   model.zoo.load_url现在首先尝试使用requests library,然后回落到urllib
*   解决错误,当default_collat​​e传递的集合numpy.str_ 查看全部
0.3_.jpg

Torch
  • 修复CUDA延迟初始化,以便在调用时不触发torch.manual_seed(而是在CUDA初始化时调用排队并运行)


张量
  • 如果x是2D,x[[0, 3],]则需要触发高级索引。尾随的逗号不再需要,你可以做x[[0, 3]]
  • x.sort(descending=True)用于错误地拒绝张量。修正了在参数检查逻辑中允许这个错误。
  • numpy输入的张量构造函数: torch.DoubleTensor(np.array([0,1,2], dtype=np.float32))火炬现在将数组的内容复制到适当类型的存储中。如果类型匹配,它将共享底层数组(no-copy),用等价的语义来用另一个张量初始化一个张量。在CUDA上,torch.cuda.FloatTensor(np.random.rand(10,2).astype(np.float32))现在将通过复制工作。
  • ones_like而zeros_like现在创建相同的设备上张量与原张量
  •  torch.multinomial在CPU上将重新形成prob_dist就地输入。修正了这个问题,以确保prob_dist调用后输入的形状不变multinomial
  • expand并expand_as允许扩展一个空张量到另一个空张量
  • 当[..., None, ...]被赋予时(即,在指定索引中的新轴放置),PyTorch与NumPy具有不同的行为。在所有情况下这与NumPy一致。
  • 修复指数分布实现从不采样无穷大 - cuRAND返回(0,1]
  • torch的.HalfTensor支持numpy()和torch.from_numpy
  • 添加额外的大小检查torch.scatter
  • 修复torch.tril和torch.triuGPU上的存储偏移张量(将返回不正确的结果)。
  • 修复CUDA qr分解中的内存泄漏
  • 修复THCUNN内核中的流识别问题
  • 修复kwargs解析torch.topk
  • 固定random_在CPU(以前的最大值为2 ^ 32)的DoubleTensor和LongTensor
  • 修正ZeroDivisionError: float division by zero打印某些张量时
  • torch.gels当m > n在CPU上发生截断错误并返回不正确的结果时。固定。
  • 在tensor.numpy()中添加一个检查,检查是否没有传递位置参数
  • 在将张量移至CUDA固定内存之前,添加了一个检查以确保它是 contiguous
  • any并all在CPU上的空张量(以前出错)
  • 修复symeig大型矩阵的CUDA。缺点是没有足够的空间分配给工作区,导致一些未定义的行为。
  • 改进的数值稳定性torch.var,并torch.std通过使用维尔福德的算法
  • 随机数生成器返回uniform具有不一致边界的样本(在cpu实现中不一致并运行到cublas bug)。现在,所有uniform采样的数字将[0, 1)在所有类型和设备的范围内返回
  • 修复torch.svd大型CUDA张量中的不段错误(修正了岩浆绑定中的溢出错误)
  • 允许空索引张量index_select(而不是错误)
  • 在此之前eigenvector=False,symeig为特征向量返回一些未知值。现在我们把它们归零。


sparse

*   修复了在cadd中稀疏张量的合并coalesced计算错误
*   修复.type()不转换索引张量。
*   修复在角落情况下GPU上的稀疏张量聚合

autograd

*   修复了在使用requires_grad = False的叶变量上向后调用时的崩溃问题
*   修正type()非默认GPU输入的变量。
*   当torch.norm返回时0.0,渐变是NaN。我们现在使用梯度0.0,所以梯度是0.0。
*   使用高级索引和更高阶梯度修正正确性问题
*   torch.prod由于类型错误的原因,GPU的落后是失败的。
*   先进的变量索引现在允许索引是一个LongTensor支持的变量
*   Variable.cuda()和Tensor.cuda()在kwargs选项中是一致的

Optim

*   torch.optim.lr_scheduler现在默认导入。

NN

*   现在支持从nn.Module的转发函数返回字典(用于引发错误)
*   什么时候register_buffer("foo", ...)被调用,并且self.foo已经存在,那么不是默默地失败,现在引发一个KeyError
*   修复了缺少_data_ptrs属性的旧RNN/LSTM检查点的加载。
*   nn.Embedding使用该max_norm选项时出现严重错误。这现在已经修复了。
*   当使用该max_norm选项时,传入的索引被写入(由底层实现)。为了解决这个问题,将索引的克隆传递给renorm内核。
*   F.affine_grid现在可以采取非连续的投入
*   EmbeddingBag现在可以接受1D和2D输入。
*   在CuDNN BatchNorm中,批次大于131070的CuDNN错误解决方法
*   修复nn.init.orthogonal在行<cols时正确返回正交向量
*   如果BatchNorm总共只有1每个通道的值,则在训练模式下产生错误。
*   使cuDNN绑定尊重当前的cuda流(以前引起不连贯的错误)
*   当gradOutput是零跨度张量时,修复grid_sample
*   当反射填充超出张量界限时修复分段错误。
*   如果LogSoftmax只有一个元素,-inf则返回。现在这个正确的返回0.0
*   修复pack_padded_sequence接受任意大小的输入(不只是3D输入)
*   检测cuDNN RNN flatten_parameters中的指针别名,并避免该路径。
*   固定ELU更高阶梯度时适用
*   解决半精确度的CuDNN RNN错误
*   防止数值的问题poisson_nll_loss时,log_input=False通过增加一个小小量

分布式和多GPU

*   只允许kwargs输入DataParallel。这曾经失败:n = nn.DataParallel(Net()); out = n(input=i)
*   DistributedDataParallel在python2中正确计算num_samples
*   当使用每个进程1-GPU时,修复DistributedDataParallel的情况。
*   修复了DataParallel以指定不包含GPU-0的GPU
*   分布式数据并行的退出不会出错,守护进程标志被设置。
*   修复DistributedDataParallel中的一个错误,当模型没有时buffers(以前引起非连贯错误)
*   修复__get_state__功能DistributedDataParallel(没有返回)
*   当GIL和CudaFreeMutex互相挨饿时,修复NCCL绑定中的死锁

其他

*   model.zoo.load_url现在首先尝试使用requests library,然后回落到urllib
*   解决错误,当default_collat​​e传递的集合numpy.str_

Pytorch使用PIL和Numpy将单张图片转为Pytorch张量

pytorchptorch 发表了文章 • 0 个评论 • 403 次浏览 • 2017-08-31 00:02 • 来自相关话题

这里会讲解一下如何通过PIL读取单张图片将其转换为Pytorch张量
#!/usr/bin/python
# -*- coding: UTF-8 -*-

from PIL import Image
import numpy as np
import torch

pil_img = Image.open('/Users/songlu/Desktop/code.jpg')
img = np.array(pil_img)
print torch.from_numpy(img) 查看全部
这里会讲解一下如何通过PIL读取单张图片将其转换为Pytorch张量
#!/usr/bin/python
# -*- coding: UTF-8 -*-

from PIL import Image
import numpy as np
import torch

pil_img = Image.open('/Users/songlu/Desktop/code.jpg')
img = np.array(pil_img)
print torch.from_numpy(img)

pytorch官网,pytorch官方网站

pytorchptorch 发表了文章 • 0 个评论 • 343 次浏览 • 2017-08-19 23:43 • 来自相关话题

中文网址为:Pytorch-基于python且具备强大GPU加速的张量和动态神经网络。  里面包含pytorch中文文档,pytorch视频教程,pytorch入门教程等等。




纯英文官方网站为:http://pytorch.org/,提供文档和教程 查看全部
中文网址为:Pytorch-基于python且具备强大GPU加速的张量和动态神经网络。  里面包含pytorch中文文档,pytorch视频教程,pytorch入门教程等等。
bg-4.png

纯英文官方网站为:http://pytorch.org/,提供文档和教程

Pytorch如何更新版本,如何卸载Pytorch,使用pip,conda更新卸载Pytorch

pytorchptorch 发表了文章 • 0 个评论 • 551 次浏览 • 2017-08-13 21:45 • 来自相关话题

今天我们主要汇总如何使用使用ubuntu,CentOS,Mac更新Pytorch和torchvision,本教程只汇集如何使用pip,conda更新以及卸载Pytorch和torchvision,希望对您有所帮助!




最近Pytorch从v0.1.12更新到了v0.2,支持了很多方法,如果大家想知道详细内容可以去Pytorch v0.2版本发布--高阶梯度,分布式PyTorch,广播,高级索引,新图层等 查看,好的,我们今天主要讲解如何升级Pytorch以及如何卸载Pytorch。

一、更新Pytorch和torchvision

我们主要讲解如何所以pip,conda更新Pytorch和torchvision,这样你就可以使用ubuntu,CentOS,Mac更新Pytorch和torchvision

1、使用Pip更新Pytorch和torchvision
# 列举pip当前可以更新的所有安装包
pip list --outdated --format=legacy
# 更新pytorch和torchvision安装包
pip install --upgrade pytorch torchvision 
2、使用conda更新Pytorch和torchvision
# 建议将其添加soumith为您的Anaconda(或Miniconda)的源服务器
conda config --add channels soumith
# 更新pytorch和torchvision安装包
conda update pytorch torchvision
 
3、卸载Pytorch重新安装

二、如何安装指定版本Pytorch
使用conda安装指定版本
# 比如我们安装 v0.1.10
conda install pytorch=0.1.10 -c soumith
使用pip安装指定版本pip install pytorch==0.1.10
三、卸载Pytorch
1、使用conda卸载Pytorch
conda uninstall pytorch
conda uninstall libtorch
2、使用pip卸载Pytorch
pip uninstall torch原文参考:https://ptorch.com/news/37.html 查看全部
今天我们主要汇总如何使用使用ubuntu,CentOS,Mac更新Pytorch和torchvision,本教程只汇集如何使用pip,conda更新以及卸载Pytorch和torchvision,希望对您有所帮助!
201708132118329912.jpg

最近Pytorch从v0.1.12更新到了v0.2,支持了很多方法,如果大家想知道详细内容可以去Pytorch v0.2版本发布--高阶梯度,分布式PyTorch,广播,高级索引,新图层等 查看,好的,我们今天主要讲解如何升级Pytorch以及如何卸载Pytorch。

一、更新Pytorch和torchvision

我们主要讲解如何所以pip,conda更新Pytorch和torchvision,这样你就可以使用ubuntu,CentOS,Mac更新Pytorch和torchvision

1、使用Pip更新Pytorch和torchvision
# 列举pip当前可以更新的所有安装包 
pip list --outdated --format=legacy
# 更新pytorch和torchvision安装包
pip install --upgrade pytorch torchvision
 
2、使用conda更新Pytorch和torchvision
# 建议将其添加soumith为您的Anaconda(或Miniconda)的源服务器 
conda config --add channels soumith
# 更新pytorch和torchvision安装包
conda update pytorch torchvision

 
3、卸载Pytorch重新安装

二、如何安装指定版本Pytorch
使用conda安装指定版本
# 比如我们安装 v0.1.10 
conda install pytorch=0.1.10 -c soumith

使用pip安装指定版本
pip install pytorch==0.1.10

三、卸载Pytorch
1、使用conda卸载Pytorch
conda uninstall pytorch 
conda uninstall libtorch

2、使用pip卸载Pytorch
pip uninstall torch
原文参考:https://ptorch.com/news/37.html

pytorch保存模型和导入模型,torch.load出错是什么原因?

pytorchwda 发表了文章 • 1 个评论 • 992 次浏览 • 2017-07-06 23:08 • 来自相关话题

Torch使用save都能成功,但是load不能成功是什么原因?




接下来我们看一下pytorch保存模型和导入模型
 
# 保存和加载整个模型
torch.save(model_object, 'model.pkl')
model = torch.load('model.pkl')# 仅保存和加载模型参数(推荐使用)
torch.save(model_object.state_dict(), 'params.pkl')
model_object.load_state_dict(torch.load('params.pkl'))

  查看全部
Torch使用save都能成功,但是load不能成功是什么原因?
22.png

接下来我们看一下pytorch保存模型和导入模型
 
# 保存和加载整个模型
torch.save(model_object, 'model.pkl')
model = torch.load('model.pkl')
# 仅保存和加载模型参数(推荐使用)
torch.save(model_object.state_dict(), 'params.pkl')
model_object.load_state_dict(torch.load('params.pkl'))


 

Pytorch 如何所以Variable,Pytorch调用torch.autograd工具包

pytorchwda 发表了文章 • 0 个评论 • 208 次浏览 • 2017-06-24 16:00 • 来自相关话题

pytorch的自动求导工具包在torch.autograd中from torch.autograd import Variable
x = torch.rand(5)
x = Variable(x,requires_grad = True)
y = x * 2
grads = torch.FloatTensor([1,2,3,4,5])
y.backward(grads)#如果y是scalar的话,那么直接y.backward(),然后通过x.grad方式,就可以得到var的梯度
x.grad #如果y不是scalar,那么只能通过传参的方式给x指定梯度输出
Variable containing:
2
4
6
8
10
[torch.FloatTensor of size 5] 查看全部
pytorch的自动求导工具包在torch.autograd中
from torch.autograd import Variable
x = torch.rand(5)
x = Variable(x,requires_grad = True)
y = x * 2
grads = torch.FloatTensor([1,2,3,4,5])
y.backward(grads)#如果y是scalar的话,那么直接y.backward(),然后通过x.grad方式,就可以得到var的梯度
x.grad #如果y不是scalar,那么只能通过传参的方式给x指定梯度
输出
Variable containing:
2
4
6
8
10
[torch.FloatTensor of size 5]

Pytorch 在Tensor和numpy之间相互转换

pytorchwda 发表了文章 • 0 个评论 • 589 次浏览 • 2017-06-24 15:33 • 来自相关话题

在Pytorch 中Tensor和numpy之间可以相互转换,Tensor转换为numpy很简单,只需要numpy()函数即可,Numpy转化为Tensor也很简单,只需torch.from_numpy(b)即可:



# -*- coding: utf-8 -*-
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F

a = torch.Tensor(3,3)
print a
b = a.numpy()
print torch.from_numpy(b) 查看全部
在Pytorch 中Tensor和numpy之间可以相互转换,Tensor转换为numpy很简单,只需要numpy()函数即可,Numpy转化为Tensor也很简单,只需torch.from_numpy(b)即可:
2.jpg
# -*- coding: utf-8 -*-
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F

a = torch.Tensor(3,3)
print a
b = a.numpy()
print torch.from_numpy(b)

解决python中文出现UnicodeDecodeError: 'ascii' codec can't decode: ordinal not in range(128)

pythonptorch 发表了文章 • 0 个评论 • 184 次浏览 • 2017-06-17 00:13 • 来自相关话题

今天我在使用replace替换中文内容时,出现UnicodeDecodeError: 'ascii' codec can't decode byte 0xe7 in position 0: ordinal not in range(128)错误,原因就是Python的str默认是ascii编码,和unicode编码冲突,就会报这个错误。那么该怎样解决呢?
在顶部设置一下编码即可:import sys
reload(sys)
sys.setdefaultencoding('utf8')
  查看全部
今天我在使用replace替换中文内容时,出现UnicodeDecodeError: 'ascii' codec can't decode byte 0xe7 in position 0: ordinal not in range(128)错误,原因就是Python的str默认是ascii编码,和unicode编码冲突,就会报这个错误。那么该怎样解决呢?
在顶部设置一下编码即可:
import sys
reload(sys)
sys.setdefaultencoding('utf8')

 

[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 • 550 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