PyTorch入门实践:PyTorch基础-快速体验

原创已于 2025-09-16 02:14:16 修改 · 666 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #人工智能 #python

于 2025-09-16 00:43:53 首次发布

部署运行你感兴趣的模型镜像

使用torch的API完成模型训练

学习目标

本课程介绍机器学习中常见任务的API，通过本课程，学员可以学会从torch中使用多个API来完成一个模型的训练以及后续的保存与加载。

学习内容

1 使用torch的API完成模型训练

1.1 使用数据

PyTorch 提供特定于域的库，例如TorchText、TorchVision 和TorchAudio，所有这些库包括Datasets。在本课程中，将使用TorchVision库加载数据。

该模块包含许多 CIFAR、COCO 等真实世界视觉数据（完整列表这里）。在本课程中，使用 FashionMNIST数据集。每个TorchVision数据集都包含两个参数：samples和labels。

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
import torch_npu

使用wget方式进行数据集的下载并解压，命令如下:

!wget --no-check-certificate https://model-community-picture.obs.cn-north-4.myhuaweicloud.com/ascend-zone/notebook_datasets/2590e70a2bdb11f0825afa163edcddae/FashionMNIST.zip

!unzip FashionMNIST.zip

将Dataset作为参数传递给DataLoade。这为数据集封装了一个可迭代对象，并支持自动批处理、采样、打乱顺序以及多进程数据加载。在这里，定义了一个批次大小为 64，也就是说，DataLoader 中的每个元素都会返回一个包含 64 个样本的特征和对应标签的批次

device = torch.device(
    "mps" if torch.backends.mps.is_available() 
    else "cuda" if torch.cuda.is_available() 
    else 'npu:0' if hasattr(torch_npu, 'npu') and torch_npu.npu.is_available() 
    else "cpu"
)

print(f"Using {device} device")
# Download training data from open datasets.
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=False,
    transform=ToTensor(),
)

# Download test data from open datasets.
test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=False,
    transform=ToTensor(),
)

将 Dataset 作为参数传递给 DataLoader。这为数据集封装了一个可迭代对象，并支持自动批处理、采样、打乱顺序以及多进程数据加载。在这里，定义了一个批次大小为 64，也就是说，DataLoader 中的每个元素都会返回一个包含 64 个样本的特征和对应标签的批次

batch_size = 64

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True, num_workers=0)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=False, num_workers=0)

for X, y in test_dataloader:
    print(f"Shape of X [N, C, H, W]: {X.shape}")
    print(f"Shape of y: {y.shape} {y.dtype}")
    break

Shape of X [N, C, H, W]: torch.Size([64, 1, 28, 28])
Shape of y: torch.Size([64]) torch.int64

1.2 创建模型

为了在 PyTorch 中定义神经网络，创建一个继承来自 nn.模块。在函数中定义网络的层，并且在函数中指定数据如何通过网络。为了加速神经网络中的作，将其移至 CUDA、MPS、MTIA 或 NPU 等加速器。如果当前加速器为可用,那么将使用它。否则使用 CPU。

# 定义模型
class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10)
        )

    def forward(self, x):
        x = self.flatten(x)
        return self.linear_relu_stack(x)

model = NeuralNetwork().to(device)

print(model)

[W compiler_depend.ts:623] Warning: expandable_segments currently defaults to false. You can enable this feature by `export PYTORCH_NPU_ALLOC_CONF = expandable_segments:True`. (function operator())
NeuralNetwork(
  (flatten): Flatten(start_dim=1, end_dim=-1)
  (linear_relu_stack): Sequential(
    (0): Linear(in_features=784, out_features=512, bias=True)
    (1): ReLU()
    (2): Linear(in_features=512, out_features=512, bias=True)
    (3): ReLU()
    (4): Linear(in_features=512, out_features=10, bias=True)
  )
)

1.3 模型训练

要训练模型，需要loss函数和优化器。

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

在单个训练循环中，模型对训练进行预测数据集（分批提供给它），并反向传播预测误差调整模型的参数。

def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    model.train()
    for batch, (X, y) in enumerate(dataloader):
        X, y = X.to(device), y.to(device)

        # Compute prediction error
        pred = model(X)
        loss = loss_fn(pred, y)

        # Backpropagation
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()

        if batch % 100 == 0:
            loss, current = loss.item(), (batch + 1) * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

还可以根据测试数据集检查模型的性能，以确保模型正在学习。

def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    test_loss /= num_batches
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

训练过程会进行多个轮次（epochs）。在每个轮次中，模型会学习调整参数以做出更准确的预测。在每个 epoch 后打印模型的准确率和损失值；在这里希望看到准确率随着训练轮次的增加而提高，损失值则逐渐下降。

epochs = 5
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(train_dataloader, model, loss_fn, optimizer)
    test(test_dataloader, model, loss_fn)
print("Done!")

Epoch 1
-------------------------------
loss: 2.307599  [   64/60000]
loss: 2.294127  [ 6464/60000]
loss: 2.280530  [12864/60000]
loss: 2.271653  [19264/60000]
loss: 2.261745  [25664/60000]
loss: 2.237861  [32064/60000]
loss: 2.214950  [38464/60000]
loss: 2.204939  [44864/60000]
loss: 2.205576  [51264/60000]
loss: 2.168304  [57664/60000]
Test Error: 
 Accuracy: 52.7%, Avg loss: 2.162874 

Epoch 2
-------------------------------
loss: 2.179749  [   64/60000]
loss: 2.168770  [ 6464/60000]
loss: 2.110500  [12864/60000]
loss: 2.094859  [19264/60000]
loss: 2.073327  [25664/60000]
loss: 2.050367  [32064/60000]
loss: 2.024948  [38464/60000]
loss: 1.984296  [44864/60000]
loss: 1.950111  [51264/60000]
loss: 1.959091  [57664/60000]
Test Error: 
 Accuracy: 61.2%, Avg loss: 1.896798 

Epoch 3
-------------------------------
loss: 1.896815  [   64/60000]
loss: 1.868473  [ 6464/60000]
loss: 1.896794  [12864/60000]
loss: 1.695260  [19264/60000]
loss: 1.778525  [25664/60000]
loss: 1.709584  [32064/60000]
loss: 1.585671  [38464/60000]
loss: 1.606815  [44864/60000]
loss: 1.555282  [51264/60000]
loss: 1.545494  [57664/60000]
Test Error: 
 Accuracy: 60.2%, Avg loss: 1.519633 

Epoch 4
-------------------------------
loss: 1.516972  [   64/60000]
loss: 1.509254  [ 6464/60000]
loss: 1.378001  [12864/60000]
loss: 1.427272  [19264/60000]
loss: 1.333346  [25664/60000]
loss: 1.245684  [32064/60000]
loss: 1.358380  [38464/60000]
loss: 1.363098  [44864/60000]
loss: 1.288136  [51264/60000]
loss: 1.267256  [57664/60000]
Test Error: 
 Accuracy: 62.8%, Avg loss: 1.247218 

Epoch 5
-------------------------------
loss: 1.358569  [   64/60000]
loss: 1.166384  [ 6464/60000]
loss: 1.063975  [12864/60000]
loss: 1.200364  [19264/60000]
loss: 1.147708  [25664/60000]
loss: 1.104832  [32064/60000]
loss: 1.006688  [38464/60000]
loss: 0.997465  [44864/60000]
loss: 1.162314  [51264/60000]
loss: 1.065279  [57664/60000]
Test Error: 
 Accuracy: 64.0%, Avg loss: 1.083212 

Done!

1.4 保存模型

一种常见的保存模型的方法是序列化其内部的状态字典（该字典包含了模型的参数）

torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")

1.5 加载模型

加载模型的过程包括重新创建模型结构，并将状态字典加载到该结构中。

model = NeuralNetwork().to(device)
model.load_state_dict(torch.load("model.pth", weights_only=True))

此模型现在可用于进行预测。

classes = [
    "T-shirt/top",
    "Trouser",
    "Pullover",
    "Dress",
    "Coat",
    "Sandal",
    "Shirt",
    "Sneaker",
    "Bag",
    "Ankle boot",
]

model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
    x = x.to(device)
    pred = model(x)
    predicted, actual = classes[pred[0].argmax(0)], classes[y]
    print(f'Predicted: "{predicted}", Actual: "{actual}"')

Predicted: "Ankle boot", Actual: "Ankle boot"

在这里插入图片描述

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch

Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理