PyTorch常用代码段合集

PyTorch 常用代码段合集 本文是PyTorch常用代码段合集,涵盖基本配置、张量处理、模型定义与操作、数据处理、模型训练与测试等5个方面,还给出了多个值得注意的Tips,内容非常全面。 PyTorch最好的资料是官方文档。本文是PyTorch常用代码段,在参考资料[1](张皓:PyTorch Cookbook)的基础上做了一些修补,方便使用时查阅。 1. 基本配置 导入包和版本查询 import torch import torch.nn as nn import torchvision print(torch.__v 阅读详情

作者丨Jack Stark@知乎

来源丨https://zhuanlan.zhihu.com/p/104019160

导读

 

本文是PyTorch常用代码段合集,涵盖基本配置、张量处理、模型定义与操作、数据处理、模型训练与测试等5个方面,还给出了多个值得注意的Tips,内容非常全面。

PyTorch最好的资料是官方文档。本文是PyTorch常用代码段,在参考资料[1](张皓:PyTorch Cookbook)的基础上做了一些修补,方便使用时查阅。

1. 基本配置

导入包和版本查询

45c7de6a23eba1a135d587cce5de76a3.png

可复现性

在硬件设备(CPU、GPU)不同时,完全的可复现性无法保证,即使随机种子相同。但是,在同一个设备上,应该保证可复现性。具体做法是,在程序开始的时候固定torch的随机种子,同时也把numpy的随机种子固定。

f0b1efab1951979152345caac6dedd0a.png

显卡设置

3774645da920fe8157ccc681a8e56664.png

2. 张量(Tensor)处理

张量的数据类型

PyTorch有9种CPU张量类型和9种GPU张量类型。

7f1bbe187df2f9e8a33f63661b0af2ae.png

张量基本信息

cd850c434d6409a8421a9c7eeaa5f141.png

命名张量

张量命名是一个非常有用的方法,这样可以方便地使用维度的名字来做索引或其他操作,大大提高了可读性、易用性,防止出错。

742694aa874a37be6639df3e308e7a3c.png

数据类型转换

ef8d24475b405456e7058b69984ce1a6.png

torch.Tensor与np.ndarray转换

除了CharTensor,其他所有CPU上的张量都支持转换为numpy格式然后再转换回来。

54eee052371caf76fe13db1017a4ce26.png

Torch.tensor与PIL.Image转换

7865476b365b639fb06863421e18c935.png

np.ndarray与PIL.Image的转换

f092c237f07dbaf65cf9c08e3c04a053.png

从只包含一个元素的张量中提取值

da7bd72fed05cc24dc3ab8e7492e06cd.png

张量形变

23279a0c8dfb6347f664e43ae287685e.png

打乱顺序

fe84131af6292dc1bbbc7845ec9c0e6b.png

水平翻转

385642e7116bc335b1e9328f90fa063c.png

复制张量

fb156eaf89a7dede07a06304d9a0a3a0.png

张量拼接

8f197effb172ef7236963d0e381fe903.png

将整数标签转为one-hot编码

15d098c95f802bcf49a23048c2eefbcc.png

得到非零元素

83130b4f7685dd044a0e2552c133c513.png

判断两个张量相等

e6b332a6ae5ae40765b28c9f8aea69f8.png

张量扩展

201db3b81583c9185cfeaaa4b4d4f311.png

矩阵乘法

1837a0daa44124594befe72ae2222c2e.png

计算两组数据之间的两两欧式距离

利用broadcast机制

6f4f6c8e496e83bc67325d72737a92d7.png

3. 模型定义和操作

一个简单两层卷积网络的示例

fe7e0fc79d60a412734d5f5be5e2326e.png

卷积层的计算和展示可以用这个网站辅助。

双线性汇合(bilinear pooling)

fbd37c3e595673d5ac167a15e3d6cf30.png

多卡同步 BN(Batch normalization)

当使用 torch.nn.DataParallel 将代码运行在多张 GPU 卡上时,PyTorch 的 BN 层默认操作是各卡上数据独立地计算均值和标准差,同步 BN 使用所有卡上的数据一起计算 BN 层的均值和标准差,缓解了当批量大小(batch size)比较小时对均值和标准差估计不准的情况,是在目标检测等任务中一个有效的提升性能的技巧。

e962e8e8942dce54ac2427c337c6a006.png

将已有网络的所有BN层改为同步BN层

76f3731dee795b861fd4b05872b0153e.png

类似 BN 滑动平均

如果要实现类似 BN 滑动平均的操作,在 forward 函数中要使用原地(inplace)操作给滑动平均赋值。

9095f038673649435ec1792d0775aa80.png

计算模型整体参数量

56b25d69c70b12dabce1434f91394901.png

查看网络中的参数

可以通过model.state_dict()或者model.named_parameters()函数查看现在的全部可训练参数(包括通过继承得到的父类中的参数)

f271f17f6942f2aa516d758efc41f24a.png

模型可视化(使用pytorchviz)

szagoruyko/pytorchvizgithub.com

类似 Keras 的 model.summary() 输出模型信息,使用pytorch-summary

sksq96/pytorch-summarygithub.com

模型权重初始化

注意 model.modules() 和 model.children() 的区别:model.modules() 会迭代地遍历模型的所有子层,而 model.children() 只会遍历模型下的一层。

6c8dac86cc132978cddeec292a42be4b.png

提取模型中的某一层

modules()会返回模型中所有模块的迭代器,它能够访问到最内层,比如self.layer1.conv1这个模块,还有一个与它们相对应的是name_children()属性以及named_modules(),这两个不仅会返回模块的迭代器,还会返回网络层的名字。

a85fd37a19e462d1e103048b70b22c29.png

部分层使用预训练模型

注意如果保存的模型是 torch.nn.DataParallel,则当前的模型也需要是

7af7768c8823ce62245b9d464fa490fc.png

将在 GPU 保存的模型加载到 CPU

2ff733bcf5e1cf23463c6f254129b739.png

导入另一个模型的相同部分到新的模型

模型导入参数时,如果两个模型结构不一致,则直接导入参数会报错。用下面方法可以把另一个模型的相同的部分导入到新的模型中。

2c3d9b6cadace2d25b4b67e1b7fbb973.png

4. 数据处理

计算数据集的均值和标准差

c5411f47d3d8dc95ab68dfa2eb5086bb.png

得到视频数据基本信息

9169410680bf081d07c70b7dcc0bb21b.png

TSN 每段(segment)采样一帧视频

45595b28847012f5207cb960d931613e.png

常用训练和验证数据预处理

其中 ToTensor 操作会将 PIL.Image 或形状为 H×W×D,数值范围为 [0, 255] 的 np.ndarray 转换为形状为 D×H×W,数值范围为 [0.0, 1.0] 的 torch.Tensor。

326b074a8390015a8c19549ea56d8f67.png

5. 模型训练和测试

分类模型训练代码

1c8f645d18feaf24cb61018a5fbedb7e.png

分类模型测试代码

cef22ec2a35b645d636e976d43b3e06e.png

自定义loss

继承torch.nn.Module类写自己的loss。

fd77d8dedcbaa9aacc6e2aca61c00dcc.png

标签平滑(label smoothing)

写一个label_smoothing.py的文件,然后在训练代码里引用,用LSR代替交叉熵损失即可。label_smoothing.py内容如下:

85ff762fd028ce94798d479d2545dca7.png

或者直接在训练文件里做label smoothing

7ce6847407db67bdfa8573054b3c6086.png

Mixup训练

a7f781b53096f8cad763eaf124eb4e2d.png

L1 正则化

7d22a7861b5afa175105ab2b29a75806.png

不对偏置项进行权重衰减(weight decay)

pytorch里的weight decay相当于l2正则

82ecae10da6c472450f7f6fd0e08cae8.png

梯度裁剪(gradient clipping)

252d17a93a4fbdf5c13d69114871cf29.png

得到当前学习率

fe26f2176f9d01c49162759c7c925439.png

另一种方法,在一个batch训练代码里,当前的lr是optimizer.param_groups[0]['lr']

学习率衰减

d35c8d619370cff023623cb418854c9c.png

优化器链式更新

从1.4版本开始,torch.optim.lr_scheduler 支持链式更新(chaining),即用户可以定义两个 schedulers,并交替在训练中使用。

b3cfc0678c7109573f82739f672fe4fb.png

模型训练可视化

PyTorch可以使用tensorboard来可视化训练过程。

安装和运行TensorBoard。

pip install tensorboard
tensorboard --logdir=runs

使用SummaryWriter类来收集和可视化相应的数据,放了方便查看,可以使用不同的文件夹,比如'Loss/train'和'Loss/test'。

76aecfebfecc0210db7b12499107e3b7.png

保存与加载断点

注意为了能够恢复训练,我们需要同时保存模型和优化器的状态,以及当前的训练轮数。

02b3253ed749b1582b6d26e70b899df5.png

提取 ImageNet 预训练模型某层的卷积特征

aa610ea321baed7e5e7ecd31d99cfbf3.png

提取 ImageNet 预训练模型多层的卷积特征

5b6b69a7580ef92230fd3c6d07896643.png

微调全连接层

82094691a9d10ee2b5ba91a549725997.png

以较大学习率微调全连接层,较小学习率微调卷积层

131dc552c7842b581319c5efa1132f83.png

6. 其他注意事项

不要使用太大的线性层。因为nn.Linear(m,n)使用的是的内存,线性层太大很容易超出现有显存。

不要在太长的序列上使用RNN。因为RNN反向传播使用的是BPTT算法,其需要的内存和输入序列的长度呈线性关系。

model(x) 前用 model.train() 和 model.eval() 切换网络状态。

不需要计算梯度的代码块用 with torch.no_grad() 包含起来。

model.eval() 和 torch.no_grad() 的区别在于,model.eval() 是将网络切换为测试状态,例如 BN 和dropout在训练和测试阶段使用不同的计算方法。torch.no_grad() 是关闭 PyTorch 张量的自动求导机制,以减少存储使用和加速计算,得到的结果无法进行 loss.backward()。

model.zero_grad()会把整个模型的参数的梯度都归零, 而optimizer.zero_grad()只会把传入其中的参数的梯度归零.

torch.nn.CrossEntropyLoss 的输入不需要经过 Softmax。torch.nn.CrossEntropyLoss 等价于 torch.nn.functional.log_softmax + torch.nn.NLLLoss。

loss.backward() 前用 optimizer.zero_grad() 清除累积梯度。

torch.utils.data.DataLoader 中尽量设置 pin_memory=True,对特别小的数据集如 MNIST 设置 pin_memory=False 反而更快一些。num_workers 的设置需要在实验中找到最快的取值。

用 del 及时删除不用的中间变量,节约 GPU 存储。

使用 inplace 操作可节约 GPU 存储,如

efbe130cedef84171089f4daec57bbd6.png

减少 CPU 和 GPU 之间的数据传输。例如如果你想知道一个 epoch 中每个 mini-batch 的 loss 和准确率,先将它们累积在 GPU 中等一个 epoch 结束之后一起传输回 CPU 会比每个 mini-batch 都进行一次 GPU 到 CPU 的传输更快。

使用半精度浮点数 half() 会有一定的速度提升,具体效率依赖于 GPU 型号。需要小心数值精度过低带来的稳定性问题。

时常使用 assert tensor.size() == (N, D, H, W) 作为调试手段,确保张量维度和你设想中一致。

除了标记 y 外,尽量少使用一维张量,使用 n*1 的二维张量代替,可以避免一些意想不到的一维张量计算结果。

统计代码各部分耗时

b9adc6e8327d0a41c74257f4d4b63435.png

使用TorchSnooper来调试PyTorch代码,程序在执行的时候,就会自动 print 出来每一行的执行结果的 tensor 的形状、数据类型、设备、是否需要梯度的信息。

ce11024805189ef898a65753f6649d35.png

https://github.com/zasdfgbnm/TorchSnoopergithub.com

模型可解释性,使用captum库:https://captum.ai/captum.ai

参考资料

  1. 张皓:PyTorch Cookbook(常用代码段整理合集),https://zhuanlan.zhihu.com/p/59205847?

  2. PyTorch官方文档和示例

  3. https://pytorch.org/docs/stable/notes/faq.html

  4. https://github.com/szagoruyko/pytorchviz

  5. https://github.com/sksq96/pytorch-summary

  6. 其他

觉得还不错就给我一个小小的鼓励吧!
基于STM32F407与AD9910/AD9959的高频可调DDS信号源设计与实战 本文详细介绍了基于STM32F407微控制器与AD9910/AD9959高性能DDS芯片的高频可调信号源设计与实现。文章从DDS原理入手,阐述了双芯片方案的优势,并重点分享了高频电路设计中的电源、PCB布局布线等关键硬件设计技巧与避坑指南。同时,提供了通过SPI配置DDS芯片及利用Matlab生成任意波形的软件驱动方法,旨在帮助开发者打造一个覆盖10Hz至4200MHz的实用信号发生器。 阅读详情

相关推荐

LangChain学习及应用(超详细)

Model I/O 部分是与语言模型进行交互的核心组件,包括输入提示(Prompt Template)、调用模型(Model)、输出解析(Output Parser)。简单来说,就是输入、处理、输出这三个步骤。LLM 因其具有海量参数,需要花费相当的物力与时间成本进行预训练和微调,同时商用 LLM 还需要进行各种安全测试与风险评估等。因此 LLM 会存在知识滞后的问题。在专有领域,LLM 无法学习到所有的专业知识细节,因此在面向专业领域知识的提问时,无法给出可靠准确的回答。

weixin_39764056的博客 4263

Pytorch:一些常用代码

常用代码总结

qimo601的专栏 6247

深信服AC1000-B1200到手第一步:从开箱到激活上网的保姆级图文指南

本文提供深信服AC1000-B1200企业级行为管理设备的详细开局使用指南,涵盖从开箱验机、物理连接到网络配置、安全加固及设备激活的全流程。通过图文并茂的步骤解析,帮助用户快速完成设备初始化并实现安全上网,特别适合初次接触该设备的网络管理员参考。

weixin_42546392的博客 551

【pytorch】常用代码

好奇心机制的编码器模型return y好奇心机制的正向模型return y好奇心机制的DQN模型return y总结就是,自定义模块总要部分在于__init__()方法与forward()方法return y。

weixin_46267823的博客 4232

Ubuntu 24.04.3 LTS 安装 OpenClaw 图文版

OpenClow安装指南

qq_17204557的博客 2555

十一种室内定位传感器方案汇总介绍与对比(机器人、物联网领域)

室内定位传感器方案汇总 目录 室内定位传感器方案汇总 1、定位方案概述 1.1、内定位系统有最基本的5种算法: 1.2、常用的室内定位技术主要包括以下几种: 1.3、定位理论 1.4、不同的定位方案对比 2、各种定位方案详细介绍 2.1、单线激光定位 2.2、多线激光定位: 2.3、视觉定位: 2.4、基于射频识别(RFID)技术室内定位 2.4.1、RFID标签(不涉及...

JK-Cool的博客 3万+

pytorch基础讲解及代码

pytorch基础 1.1 基本数据:Tensor Tensor,即张量,是PyTorch中的基本操作对象,可以看做是包含 单一数据类型元素的多维矩阵。从使用角度来看,Tensor与NumPy的 ndarrays非常类似,相互之间也可以自由转换,只不过Tensor还支持 GPU的加速。 本节首先介绍Tensor的基本数据类型,然后讲解创建Tensor的多种 方法,最后依次介绍Tensor在实际使用中的常见操作,如变形、组合、 排序等。 1.1.1 Tensor数据类型 Tensor在使用时可以有不同的数据类

shuai_yue的博客 2412

CCS导入工程报错?手把手教你安装C2000编译器(附最新下载链接)

本文详细解析CCS导入工程报错的常见原因,并提供三种安装C2000编译器的解决方案(TI官网离线安装、CCS内置更新和App Center渠道)。通过版本匹配技巧和路径配置要点,帮助开发者快速解决编译器缺失问题,确保项目顺利导入和编译。

weixin_30374009的博客 664

【Pytorch】Pytorch 建模常用总结

torch

烦成航的博客 1123

0.1 ROCm rocr-libhsakmt实现深度剖析专栏介绍

本专栏深入解析AMD ROCm生态核心组件rocrruntime,从底层硬件交互到上层封装实现。重点剖析libhsakmt驱动层的七大核心模块设计,包括拓扑管理、队列调度、事件同步等关键机制;详解C++接口封装策略与工程实践,如资源管理、多线程优化等。通过"硬件-驱动-应用"全链路技术拆解,帮助开发者深入理解ROCm运行时机制,解决性能调优、调试等实际问题,为HPC/AI应用开发提供底层技术支撑。

图形/计算GPU的驱动与虚拟化技术分享园地 5983

国科大学习资料--计算机视觉--期末考试解析

国科大学习资料–计算机视觉(胡占义)–期末考试解析 ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ;

无名何许人的博客 2473

pytorch基础教学简单实例(附代码)

零基础pytorch深度学习安装使用代码实例新手教学

Lizhi_Tech的博客 2万+

【在 WSL2 GUI 中使用 pulseaudio 播放声音】

最近在搞一个Linux项目,由于WSL2中需要用到声音外放,无奈只能潜心研究。后来就使用了一种折中的方式替代,那就是pulseaudio。目前来讲WSL2对硬件外设的支持还是不太友好,关于USB的支持我之前在其他文章中已经论述过了,这里不讨论。1、Windows11别忘记打开声音2、可能有一定延迟,因为是通过网络传输的。3、效果的话只能见仁见智了,如果不能满足要求就安装一个实实在在的Ubuntu吧!

jiexijihe945的博客 4533

【深度学习】PyTorch常用代码段合集

来源 | 极市平台,机器学习算法与自然语言处理本文是PyTorch常用代码段合集,涵盖基本配置、张量处理、模型定义与操作、数据处理、模型训练与测试等5个方面,还给出了多个值得注意的Tips...

fengdu78的博客 856

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

pytorch nonzero_收藏!PyTorch常用代码段合集

本文是PyTorch常用代码段合集,涵盖基本配置、张量处理、模型定义与操作、数据处理、模型训练与测试等5个方面,还给出了多个值得注意的Tips,内容非常全面。PyTorch最好的资料是官方文档。本文是PyTorch常用代码段,在参考资料[1](张皓:PyTorch Cookbook)的基础上做了一些修补,方便使用时查阅。1. 基本配置导入包和版本查询import torchimport torch...

weixin_39626586的博客 365

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

PyTorch常用代码段整理合集

本文代码基于PyTorch 1.0版本,需要用到以下包 import collections import os import shutil import tqdm import numpy as np import PIL.Image import torch import torchvision 1. 基础配置 检查PyTorch版本 torch.__version__ ...

摩登都市天空---专栏 3446

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

PyTorch 常用代码段整理合集

PyTorch 常用代码段整理合集 来源:知乎作者:张皓众所周知,程序猿在写代码时通常会在网上搜索大量资料,其中大部分是代码段。然而,这项工作常常令人心累身疲,耗费大量时间。所以,今天小编转载了知乎上的一篇文章,介绍了一些常用 PyTorch 代码段,希望能够为奋战在电脑桌前的众多程序猿们提供帮助!本文代码基于 PyTorch 1.0 版本,需要用到以下包[code]import collecti...

helloworld_Fly的博客 1224

Pytorch常用代码段合集

来源丨https://zhuanlan.zhihu.com/p/104019160 PyTorch最好的资料是官方文档。本文是PyTorch常用代码段,在参考资料[1](张皓:PyTorch Cookbook)的基础上做了一些修补,方便使用时查阅 1. 基本配置 导入包和版本查询 import torch import torch.nn as nn import torchvision print(torch.__version__) print(torch.version.cuda) print(torc

@bangbang的博客 746

【收藏】PyTorch常用代码段合集

作者丨Jack Stark@知乎来源丨https://zhuanlan.zhihu.com/p/104019160转自:极市平台导读本文是PyTorch常用代码段合集,涵盖基本配置、张量处理、模型定义与操作、数据处理、模型训练与测试等5个方面,还给出了多个值得注意的Tips,内容非常全面。PyTorch最好的资料是官方文档。本文是PyTorch常用代码段,在参考资料[1...

深度学习技术前沿 549

收藏!PyTorch常用代码段合集

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习,不错过Datawhale干货作者:Jack Stark,来源:极市平台来源丨https://...

Datawhale 672
上一篇: ICLR 2022杰出论文奖出炉!清华、人大获奖,浙大提名
下一篇: Python中实现模糊匹配的魔法库:FuzzyWuzzy
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值