PyTorch基础

首先我们会介绍一下pytorch里面的一些基础知识，有了这些基础知识之后我们才能做出更多复杂的变形。

1.tensor（张量）

pytorch里面处理的最基本的操作对象就是tensor，tensor是张量的英文，表示的是一个多维的矩阵，比如零维就是一个点，一维就是向量，二维就是一般的矩阵，多维就相当于一个多维的数组，这和numpy是对应的，而且pytorch的tensor可以和numpy的ndarray相互转换，唯一不同的是pytorch可以在GPU上运行，而numpy的ndarray只能在CPU上运行。

我们先介绍一下一些常用的不同数据类型的tensor，有32位浮点型torch.FloatTensor、64位浮点型torch.DoubleTensor、16位整型torch.ShortTensor、32位整型torch.IntTensor和64位整型torch.LongTensor。

我们可以通过下面的方式来定义一个三行两列给定元素的矩阵，并且显示出矩阵的元素和大小：

a=torch.Tensor([[2,3],[4,8],[7,9]])

print('a is :{}'.format(a))

print('a size is {}'.format(a.size()))       #a.size()=3,2

需要注意的是torch.Tensor默认的是torch.FloatTensor数据类型，也可以定义我们想要的数据类型，就像下面这样：

b=torch.LongTensor([[2,3],[4,8],[7,9]])

print('b is :{}'.format(b))

当然也可以创建一个全是0的空Tensor或者取一个正态分布作为随机初始值：

c=torch.zeros((3,2))

print('zero tensor:{}'.format(c))

d=torch.randn((3,2))

print('normal random is : {}'.format(d))

我们也可以将numpy一样通过索引的方式取得其中的元素，同时也可以改变它的值，比如将a的第一行第二列改变为100.

a[0,1]=100

print('changed a is: {}'.format(a))

除此之外，还可以在tensor与numpy.ndarray之间相互转换：

numpy_b=b.numpy()

print('conver to numpy is \n {}'.format(numpy_b))

e=np.array([[2,3],[4,5]])

torch_e=torch.from_numpy(e)

print('from numpy to torch.Tensor is {}'.format(torch_e))

f_torch_e=torch_e.float()

print('change data type to float tensor: {}'.format(f_torch_e))

通过简单的b.numpy()，就能将b转换为numpy数据类型，同时使用torch.from_numpy()就能将numpy转换为tensor，如果需要更改tensor的数据类型，只需要在转换后的tensor后面加上你需要的类型，比如想将a的类型转换成float，只需a.float()就可以了。

如果你的电脑支持GPU加速，还可以将tensor放到GPU上。

首先通过torch.cuda.is_available()判断一下是否支持GPU，如果想把tensor a放到GPU上，只需a.cuda（）就能够将tensor a放到GPU上了。

if torch.cuda.is_available():

a_cuda=a.cuda()

print(a_cuda)

2.variable（变量）

接着要讲的一个概念就是variable，也就是变量，这个在numpy里面就没有了，是神经网络计算图里特有的一个概念，就是Variable提供了自动求导的功能，之前如果了解过TensorFlow的读者应该清楚神经网络在做运算的时候需要先构造一个计算图谱，然后再里面进行前向传播和反向传播。

Variable和Tensor本质上没有区别，不过Variable会被放入一个计算图中，然后进行前向传播，反向传播，自动求导。

首先Variable是在torch.autograd.Variable中，要将一个tensor变成Variable也非常简单，比如想让一个tensor a变成Variable，只需要Variable（a）就可以了。

Variable有三个比较重要的组成属性：data,grad和grad_fn。通过data可以取出Variable里面的tensor数值，grad_fn表示的是得到这个Variable的操作，比如通过加减还是乘除来得到的，最后grad是这个Variable的反向传播速度，下面通过例子来具体说明一下：

# Create Variable

x=Variable(torch.Tensor([1]),requires_grad=True)

w=Variable(torch.Tensor([2]),requires_grad=True)

b=Variable(torch.Tensor([3]),requires_grad=True)

#Build a computational graph.

y=w*x+b         #y=2*x+3

#Compute gradients

y.backward()         #same as y.backward(torch.FloatTensor([1]))

#Print out the gradients.

print(x.grad)      #x.grad=2

print(w.grad)      #w.grad=1

print(b.grad)       #b.grad=1

构建Variable，要注意得传入一个参数requires_grad=True,这个参数表示是否对这个变量求梯度，默认的是False，也就是不对这个变量求梯度，这里我们希望得到这些变量的梯度，所以需要传入这个参数。

从上面的代码中，我们注意到了一行y.backward()，这一行代码就是所谓的自动求导，这其实等价于y.backward(torch.FloatTensor([1])),只不过对于标量求导里面的参数就可以不写了，自动求导不需要你再去明确地写明那个函数对哪个函数求导，直接通过这行代码就能对所有的需要梯度的变量进行求导，得到他们的梯度，然后通过x.grad可以得到x的梯度。

上面是标量的求导，同时也可以做矩阵求导，比如：

x=torch.randn(3)

x=Variable(x,requires_grad=True)

y=x*2

print(y)

y.backward(torch.FloatTensor([1,0.1,0.01]))

print(x.grad)

相当于给出了一个三维向量去做运算，这时候得到的结果y就是一个向量，这里对这个向量求导就不能直接写成y.backward(),这样程序是会报错的。这个时候需要传入参数声明，比如y.backward(torch.FloatTensor([1,1,1])),这样得到的结果就是他们每个分量的梯度，或者可以传入y.backward(torch.FloatTensor([1,0.1,0.01])),这样得到的梯度就是它们原本的梯度分别乘上1,0.1和0.01.

3.Dataset（数据集）

在处理任何机器学习问题之前都需要数据读取，并进行预处理。pyTorch提供了很多工具使得数据的读取和预处理变得很容易。

torch.utils.data.Dataset是代表这一数据的抽象类，你可以自己定义你的数据类继承和重写这个抽象类，非常简单，只需要定义_len_和_getitem_这两个函数：

class myDataset(Dataset):

def _init_(self,csv_file,txt_file,root_dir,other_file):

self.csv_data=pd.read_csv(csv_file)

with open(txt_file,'r') as f:

data_list=f.readlies()

self.txt_data=data_list

self.root_dir=root_dir

def _len_(self):

return len(self.csv_data)

def _getitem_(self,idx):

data=(self.csv_data[idx],self.txt_data[idx])

return data

通过上面的方式，可以定义我们需要的数据类，可以通过迭代的方式来取得每个数据，但是这样很难实现取batch，shuffle或者是多线程去读取数据，所以PyTorch中提供了一个简单的办法来做这个事情，通过torch.utils.data.DataLoader来定义一个新的迭代器，如下：

dataiter=DataLoader(myDataset,batch_size=32,shuffle=True,

                                  collate_fn=default_collate)

里面的参数都特别清楚，只有collate_fn是表示如何取样本的，我们可以定义自己的函数来准确地实现想要的功能，默认的函数在一般情况下都是可以使用的。

另外在torchvision这个包中还有一个更高级的有关于计算机视觉的数据读取类：ImageFolder，主要功能是处理图片，且要求图片是下面这种存放形式：

root/dog/xxx.png

root/dog/xxy.png

root/dog/xxz.png

root/cat/123.png

root/cat/asd.png

root/cat/zxc.png

之后这样来调用这个类：

dset=ImageFolder(root='root_path',transform=None,loader=default_loader)

其中的root需要是根目录，在这个目录下有几个文件夹，每个文件夹表示一个类别：transform和target_transform是图片增强，之后我们会详细讲，loader是图片读取的办法，因为我们读取的是图片的名字，然后通过loader将图片转换成我们需要的图片类型进入神经网络。

4. nn.Module(模组)

在pyTorch里面编写神经网络，所有的层结构和损失函数都来自于torch.nm，所有的模型构建都是从这个基类nn.Module继承的，于是有了下面这个模板。

class net_name(nn.Module):

def _init_(self,other_arguments):

super(net_name,self) ._init_()

self.conv1=nn.Conv2d(in_channels,out_channels,kernel_size)

#other network layer

def forward(self,x):

x=self.conv1(x)

return x

这样就建立了一个计算图，并且这个结构可以复用多次，每次调用就相当于用该计算图定义的相同参数做一次前向传播，这得益于PyTorch的自动求导功能，所以我们不需要自己编写反向传播，而所有的网络层都是由nn这个包得到的，比如线性层nn.Linear，等之后使用的时候我们可以详细地介绍每一种网络对应的结构，以及如何调用。

定义完模型之后，我们需要通过nn这个包来定义损失函数。常见的损失函数都已经定义在了nn中，比如均方误差、多分类的交叉熵，以及二分类的交叉熵，等等，调用这些已经定义好的损失函数也很简单：

criterion=nn.CrossEntropyLoss()

loss=criterion(output,target)

这样就能求得我们的输出和真实目标之间的损失函数了。

5.torch.option（优化）

在机器学习或者深度学习中，我们需要通过修改参数使得损失函数最小化（或最大化），优化算法就是一种调整模型参数更新的策略。

优化算法分为两大类。

1.一阶优化算法

这种算法使用各个参数的梯度值来更新参数，最常用的一阶优化算法就是梯度下降。所谓的梯度就是导数的多变量表达式，函数的梯度形成了一个向量场，同时也是一个方向，这个方向上方向导数最大，且等于梯度。梯度下降的功能是通过寻找最小值，控制方差，更新模型参数，最终使模型收敛，网络的参数更新公式是：。其中是学习率，是函数的梯度。这是深度学习里面最常用的优化算法。

2.二阶优化算法

二阶优化算法使用了二阶导数（也叫做Hessian方法）来最小化或最大化损失函数，主要基于牛顿法，但是由于二阶导数的计算成本很高，所以这种方法并没有广泛使用。torch.optim是一个实现各种优化算法的包，大多数常见的算法都能够直接通过这个包来调用，比如随机梯度下降，以及添加动量的随机梯度下降，自适应学习率等。在调用的时候将需要优化的参数传入，这些参数都必须是Variable，然后传入一些基本的设定，比如学习率和动量等。

下面举一个例子：

optimizer=torch.optim.SGD(model.parameters(),lr=0.01,momentum=0.9)

这样我们就将模型的参数作为需要更新的参数传入优化器，设定学习率是0.01，动量是0.9的随机梯度下降，在优化之前需要先将梯度归零，即optimizer.zeros(),然后通过loss.backward()反向传播，自动求导得到的每个参数的梯度，最后只需要optimizer.step()就可以通过梯度做一步参数更新。

6.模型的保存和加载

在PyTorch里面使用torch.save来保存模型的结构和参数，有两种保存方式：

（1）保存整个模型的结构信息和参数信息，保存的对象是模型model;

（2）保存模型的参数，保存的对象是模型的状态model.state_dict().

可以这样保存，save的第一个参数是保存对象，第二个参数是保存路径及名称：

torch.save (model, './model.pth')

torch.save(model.state_dict(), './model_state.pth')

加载模型由两种方式对应于保存模型的方式：

（1）加载完整的模型结构和参数信息，使用load_model=torch.load('model.pth'),在网络较大的时候加载的时间比较长，同时存储空间也比较大；

（2）加载模型参数信息，需要先导入模型的结构，然后通过model.load_state_dic(torch.load('model_state.pth'))来导入。