pytorch入门

pytorch入门

关于pytorch中forward函数的写法?

回复

pytorchlxj013244 发起了问题 • 1 人关注 • 0 个回复 • 332 次浏览 • 2018-06-04 17:37 • 来自相关话题

如何用pytorch拟合sin()函数生成的点

回复

pytorchrtfsc 发起了问题 • 1 人关注 • 0 个回复 • 238 次浏览 • 2018-06-04 16:31 • 来自相关话题

Pytorch中训练神经网络

pytorchwednesday_duo 回复了问题 • 2 人关注 • 1 个回复 • 1449 次浏览 • 2018-05-04 18:17 • 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?

CUDAwoniu0755 回复了问题 • 3 人关注 • 2 个回复 • 587 次浏览 • 2018-04-25 16:55 • 来自相关话题

Pytorch打印输出中间层"XX"的输出特征维度?

pytorchparadise 回复了问题 • 1 人关注 • 2 个回复 • 1955 次浏览 • 2018-04-20 17:28 • 来自相关话题

pycharm pythorch

回复

pytorchchuwill 发起了问题 • 1 人关注 • 0 个回复 • 359 次浏览 • 2018-04-16 20:52 • 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 • 566 次浏览 • 2018-04-07 23:46 • 来自相关话题

pytorch官网安装的指令

pytorchgolemz 回复了问题 • 3 人关注 • 2 个回复 • 754 次浏览 • 2018-03-05 11:34 • 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 • 754 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 • 1426 次浏览 • 2018-01-30 02:02 • 来自相关话题

Pytorch中训练神经网络

回复

pytorchwednesday_duo 回复了问题 • 2 人关注 • 1 个回复 • 1449 次浏览 • 2018-05-04 18:17 • 来自相关话题

LSTM在哪里?

回复

pytorch想念成都的美食 回复了问题 • 2 人关注 • 1 个回复 • 754 次浏览 • 2018-01-30 02:09 • 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 • 1755 次浏览 • 2018-01-12 00:54 • 来自相关话题

Pytorch运行出现RuntimeError: input is not contiguous

回复

pytorchgolemz 回复了问题 • 2 人关注 • 1 个回复 • 2646 次浏览 • 2018-01-11 10:21 • 来自相关话题

pytorch下角标索引

回复

torch.TensorMendel 回复了问题 • 1 人关注 • 1 个回复 • 663 次浏览 • 2017-08-23 19:52 • 来自相关话题

pytorch gpu能用集显吗

回复

pytorch匿名用户 发起了问题 • 1 人关注 • 0 个回复 • 615 次浏览 • 2017-08-19 23:53 • 来自相关话题

python3.6使用pip安装Pytorch报错

回复

pytorch匿名用户 发起了问题 • 1 人关注 • 0 个回复 • 901 次浏览 • 2017-07-30 08:37 • 来自相关话题

pytorch必须要装anaconda吗

回复

pytorch匿名用户 发起了问题 • 1 人关注 • 0 个回复 • 565 次浏览 • 2017-07-10 19:57 • 来自相关话题

chatbot数据量少的时候output比较准确,但数据量多了output几乎都是一样的?

回复

pytorchjack 发起了问题 • 1 人关注 • 0 个回复 • 407 次浏览 • 2017-07-09 19:16 • 来自相关话题

调用adagrad优化方法报错

回复

pytorchjack 发起了问题 • 1 人关注 • 0 个回复 • 358 次浏览 • 2017-07-09 19:05 • 来自相关话题

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 • 3 个评论 • 1554 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中如何使用指定的GPU

pytorchwda 发表了文章 • 0 个评论 • 952 次浏览 • 2017-06-30 23:17 • 来自相关话题

PyTorch默认使用从0开始的GPU,如果GPU0正在运行程序,需要指定其他GPU。






有如下两种方法来指定需要使用的GPU。
使用CUDA_VISIBLE_DEVICES,类似tensorflow指定GPU的方法。直接终端中设定:CUDA_VISIBLE_DEVICES=1 python my_script.pypython代码中设定:import osos.environ["CUDA_VISIBLE_DEVICES"] = "2"使用函数 set_device,该函数见 pytorch-master\torch\cuda\__init__.py。import torchtorch.cuda.set_device(id)
 
不过官方建议使用CUDA_VISIBLE_DEVICES,不建议使用 set_device 函数。 查看全部
PyTorch默认使用从0开始的GPU,如果GPU0正在运行程序,需要指定其他GPU。

hero.png


有如下两种方法来指定需要使用的GPU。
  • 使用CUDA_VISIBLE_DEVICES,类似tensorflow指定GPU的方法。
  • 直接终端中设定:
    CUDA_VISIBLE_DEVICES=1 python my_script.py
  • python代码中设定:
    import osos.environ["CUDA_VISIBLE_DEVICES"] = "2"
  • 使用函数 set_device,该函数见 pytorch-master\torch\cuda\__init__.py。
    import torchtorch.cuda.set_device(id)

 
不过官方建议使用CUDA_VISIBLE_DEVICES,不建议使用 set_device 函数。

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

pytorchwda 发表了文章 • 0 个评论 • 330 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 • 1163 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)

[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 • 986 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]Autograd自动求导

pytorchptorch 发表了文章 • 0 个评论 • 557 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是什么?

pytorchwda 发表了文章 • 0 个评论 • 404 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。

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 • 4374 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