10 分钟理解 PyTorch 代码

迈不过友情╰ 2022-06-13 07:40 371阅读 0赞

本文译自: [Understand PyTorch code in 10 minutes][]

PyTorch 是一个新的深度学习框架. 本文的内容基于 Justin Johnson 的 [教程][Link 1], 如果想要有更多了解或有更多时间的话建议仔细研究一下.

PyTorch 主要包含 4 个包 (package):

1.  `torch`: 一个通用性的数组库, 与 Numpy 类似, 当 tensor 类型被转化(torch.cuda.TensorFloat)的时候可以在 GPU 上进行计算.
2.  `torch.autograd`: 一个用来构建计算图来自动求梯度的包.
3.  `torch.nn`: 一个包含常见 layer 和 cost function 的 神经网络库.
4.  `torch.optim`: 包含像 SGD, Adam 这样常见优化算法的一个优化包.

## 导入工作 ##

你可以像下面这样导入 PyTorch:

import torch # arrays on GPU
    import torch.autograd as autograd #build a computational graph
    import torch.nn as nn ## neural net library
    import torch.nn.functional as F ## most non-linearities are here
    import torch.optim as optim # optimization package

## 使用 torch array 代替 numpy ndarray -> 提供在 GPU 上的线性代数运算支持 ##

PyTorch 提供了类似 Numpy array 的多维数组, 当数据类型可以被转化为 (`torch.cuda.TensorFloat`) 时就可以放到 GPU 上进行处理. 多维数组和它相关的一些函数都是通用的科学计算工具.

[Torch for numpy users][] 可以查看它是如何与 numpy 相关联的:

# 2 matrices of size 2x3 into a 3d tensor 2x2x3
    d=[[[1., 2.,3.],[4.,5.,6.]],[[7.,8.,9.],[11.,12.,13.]]]
    d=torch.Tensor(d) # array from python list
    print "shape of the tensor:",d.size()
    
    # the first index is the depth
    z=d[0]+d[1]
    print "adding up the two matrices of the 3d tensor:",z

shape of the tensor: torch.Size([2, 2, 3])
    adding up the two matrices of the 3d tensor:
      8  10  12
     15  17  19
    [torch.FloatTensor of size 2x3]

# a heavily used operation is reshaping of tensors using .view()
    print d.view(2,-1) #-1 makes torch infer the second dim

1   2   3   4   5   6
      7   8   9  11  12  13
    [torch.FloatTensor of size 2x6]

## `torch.autograd` \-> 创建一个计算图并自动计算梯度 ##

第二个特性是 autograd 包, 它能够定义一个计算图以便于我们能够自动计算梯度. 在计算图中, 一个节点就是一个数组, 一条边就是在数组上的一个操作. 为了创建一个计算图, 我们需要在函数里面封装一个数组来创建一个节点 (`torch.autograd.Variable()`). 然后在该节点上的所有操作将会被定义为边, 操作的结果将会成为计算图中新的节点. 计算图中的每个节点都有一个 `node.data` 属性, 它是一个多维数组. 还有一个 `node.grad` 属性, 它是某个标量的梯度 (`node.grad` 同时也是一个 .Variable()). 在定义好图以后, 只需一个命令 (`loss.backward()`) 就可以计算图中所有节点的 loss 梯度.

*  使用 `torch.autograd.Variable()` 可以将一个 Tensor 转化成为计算图中一个节点.  
    
    
     *  通过 `x.data` 来获取它的值
     *  通过 `x.grad` 来获取的梯度
 *  在 .Variable() 上施加操作来生成图中的边

# d is a tensor not a node, to create a node based on it:
    x= autograd.Variable(d, requires_grad=True)
    print "the node's data is the tensor:", x.data.size()
    print "the node's gradient is empty at creation:", x.grad # the grad is empty right now

the node's data is the tensor: torch.Size([2, 2, 3]) the node's gradient is empty at creation: None

# do operation on the node to make a computational graph
    y= x+1
    z=x+y
    s=z.sum()
    print s.creator

<torch.autograd._functions.reduce.Sum object at 0x7f1e59988790>

# calculate gradients
    s.backward()
    print "the variable now has gradients:",x.grad

the variable now has gradients: Variable containing:
    (0 ,.,.) =
      2  2  2
      2  2  2
    
    (1 ,.,.) =
      2  2  2
      2  2  2
    [torch.FloatTensor of size 2x2x3]

## `torch.nn` 包含了各种神经网络的 layer (对一个 tensor 行的线性映射) + (非线性) -> 无须手动控制 tensor 和参数即可构建一个神经网络计算图 ##

第三个特性是一个高层次的神经网络库 (`torch.nn`), 它抽象出了神经网络的 layer 中所有的参数处理, 使得能够几个命令就可以定义一个神经网络 (比如, `torch.nn.conv`). 这个包同样也带有常用的 loss function (比如, `torch.nn.MSEloss`). 我们以定义一个模型容器开始, 比如使用 (`torch.nn.Sequential`) 有一系列层的模型, 并且按顺序列出我们想要的层. 这个库处理其他的所有事情; 我们可以通过 `model.parameters()` 来获取参数 (Variables()).

# linear transformation of a 2x5 matrix into a 2x3 matrix
    linear_map=nn.Linear(5,3)
    print "using randomly initialized params:", linear_map.parameters

using randomly initialized params: <bound method Linear.parameters of Linear (5 -> 3)>

# data has 2 examples with 5 features and 3 target
    data=torch.randn(2,5) # training
    y=autograd.Variable(torch.randn(2,3)) # target
    # make a node
    x=autograd.Variable(data, requires_grad=True)
    # apply transformation to a node creates a computational graph
    a=linear_map(x)
    z=F.relu(a)
    o=F.softmax(z)
    print "output of softmax as a probability distribution:", o.data.view(1,-1)
    
    # loss function
    loss_func=nn.MSELoss() #instantiate loss function
    L=loss_func(z,y) # calculateMSE loss between output and target
    print "Loss:", L

output of softmax as a probability distribution:
     0.2092  0.1979  0.5929  0.4343  0.3038  0.2619
    [torch.FloatTensor of size 1x6]
    
    Loss: Variable containing:
     2.9838
    [torch.FloatTensor of size 1]

我们也可以通过子集 torch.nn.Module 自定义 layer, 实现一个接受一个 `Variable()` 作为输入, 并输出一个 `Variable()` 的 `forward()` 函数. 我们也可以定义一个随时间变化的 layer 来创建一个动态网络!

*  当自定义一个 layer, 需要实现 2 个函数:  
    
    
     *  首先需要继承 ***init*** 函数, 然后 layer 中的所有参数必须被定义为类变量 (self.x)
     *  在 forward 函数里面, 我们传递输入, 在输入上施加操作并进行输出. 输入需要时一个 autograd.Variable() 以便于 pytorch 能够构建 layer 的计算图.

class Log_reg_classifier(nn.Module):
        def __init__(self, in_size,out_size):
            super(Log_reg_classifier,self).__init__() #always call parent's init
            self.linear=nn.Linear(in_size, out_size) #layer parameters
    
        def forward(self,vect):
            return F.log_softmax(self.linear(vect)) #

## `torch.optim` 可以进行优化 -> 我们通过 `torch.nn` 构建一个计算图, 通过 `torch.autograd` 来计算梯度, 然后输入到 `torch.optim` 来更新网络参数 ##

第四个特性是一个配合 NN 库使用的优化包 (torch.optim). 这个库包含了一些像 Adam, RMSprop 的 optimizer. 我们定义一个 optimizer 并传入网络参数和学习率 (`opt = torch.optim.Adam(model.parameters(), lr=learning_rate`), 然后我们可以调用 `opt.step()` 对于我们的参数做一步更新.

optimizer=optim.SGD(linear_map.parameters(),lr=1e-2) # instantiate optimizer with model params + learning rate
    
    # epoch loop: we run following until convergence
    optimizer.zero_grad() # make gradients zero
    L.backward(retain_variables=True)
    optimizer.step()
    print L

Variable containing:
     2.9838
    [torch.FloatTensor of size 1]

构建一个神经网络十分容易, 下面是一个完整示例:

# define model
    model = Log_reg_classifier(10,2)
    
    # define loss function
    loss_func=nn.MSELoss()
    
    # define optimizer
    optimizer=optim.SGD(model.parameters(),lr=1e-1)
    
    # send data through model in minibatches for 10 epochs
    for epoch in range(10):
        for minibatch, target in data:
            model.zero_grad() # pytorch accumulates gradients, making them zero for each minibatch
    
            #forward pass
            out=model(autograd.Variable(minibatch))
    
            #backward pass
            L=loss_func(out,target) #calculate loss
            L.backward() # calculate gradients
            optimizer.step() # make an update step

[Understand PyTorch code in 10 minutes]: https://hsaghir.github.io/data_science/pytorch_starter/
[Link 1]: https://github.com/jcjohnson/pytorch-examples
[Torch for numpy users]: https://github.com/torch/torch7/wiki/Torch-for-Numpy-users