「日拱一码」016 深度学习常用库——PyTorch

发布于:2025-07-06 ⋅ 阅读:(13) ⋅ 点赞:(0)

目录

张量操作

创建张量:

torch.tensor() :直接从数据创建张量

torch.zeros() :创建全零张量

torch.ones() :创建全一张量

torch.randn() :创建正态分布随机张量

torch.arange() :创建等差序列张量

torch.linspace() :创建线性间隔张量

张量属性:

tensor.shape :获取张量的形状

tensor.dtype :获取张量的数据类型

tensor.device :获取张量所在的设备

张量转换:

tensor.to() :将张量转换到指定设备或数据类型

tensor.numpy() :将张量转换为NumPy数组

torch.from_numpy() :从NumPy数组创建张量

 张量操作:

数学运算

广播机制

索引和切片

重塑和转置

自动求导

自动求导机制

定义新自动求导函数

神经网络构建

torch.nn 模块:

层定义

激活函数

损失函数

优化器

模型定义:

数据处理

数据集

数据加载器

模型保存与加载

保存模型

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

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

加载模型

对于只保存参数的方式,需要先定义相同的模型结构,然后使用 model.load_state_dict(torch.load('model.pth')) 加载模型参数

对于保存整个模型的方式,可以直接使用 torch.load('model.pth') 加载模型,然后将其分配给一个变量即可使用

分布式训练

多GPU训练

分布式数据加载

其他功能

设备管理

随机数种子设置

模型推理


PyTorch是一个功能强大的深度学习库,以下是其常用方法功能的分类介绍:

张量操作

创建张量:

  • torch.tensor() :直接从数据创建张量
  • torch.zeros() :创建全零张量
  • torch.ones() :创建全一张量
  • torch.randn() :创建正态分布随机张量
  • torch.arange() :创建等差序列张量
  • torch.linspace() :创建线性间隔张量
## 张量操作
# 创建张量
import torch

# 创建张量
tensor_from_data = torch.tensor([1, 2, 3])
zeros_tensor = torch.zeros((3, 3))
ones_tensor = torch.ones((2, 2))
randn_tensor = torch.randn((3, 3))
arange_tensor = torch.arange(0, 10)
linspace_tensor = torch.linspace(0, 10, steps=5)

print(tensor_from_data)  # tensor([1, 2, 3])
print(zeros_tensor)
# tensor([[0., 0., 0.],
#         [0., 0., 0.],
#         [0., 0., 0.]])

print(ones_tensor)
# tensor([[1., 1.],
#         [1., 1.]])

print(randn_tensor)
# tensor([[ 0.9779,  1.8636, -0.8193],
#         [-0.8590,  0.4308, -0.2886],
#         [-1.1653,  0.4701, -1.0421]])

print(arange_tensor)  # tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(linspace_tensor)  #  tensor([ 0.0000,  2.5000,  5.0000,  7.5000, 10.0000])

张量属性:

  • tensor.shape :获取张量的形状
  • tensor.dtype :获取张量的数据类型
  • tensor.device :获取张量所在的设备
# 张量属性
print(tensor_from_data.shape)  # 输出:torch.Size([3])
print(zeros_tensor.dtype)      # 输出:torch.float32
print(ones_tensor.device)      # 输出:cpu

张量转换:

  • tensor.to() :将张量转换到指定设备或数据类型
  • tensor.numpy() :将张量转换为NumPy数组
  • torch.from_numpy() :从NumPy数组创建张量
# 张量转换
tensor_to_cpu = tensor_from_data.to('cpu')
print(tensor_to_cpu)  # tensor([1, 2, 3])

tensor_to_float = tensor_from_data.to(torch.float32)
print(tensor_to_float)  # tensor([1., 2., 3.])

numpy_array = tensor_from_data.numpy()
print(numpy_array)  # [1 2 3]

tensor_from_numpy = torch.from_numpy(numpy_array)
print(tensor_from_numpy)  # tensor([1, 2, 3])

 张量操作:

  • 数学运算

支持加法 tensor1 + tensor2 、减法 tensor1 - tensor2 、乘法 tensor1 * tensor2 、除法 tensor1 / tensor2 等逐元素运算,以及矩阵乘法 torch.matmul(tensor1, tensor2) 

  • 广播机制

在进行张量运算时,会自动扩展较小张量的维度以匹配较大张量的维度,从而实现更灵活的运算

  • 索引和切片

与NumPy类似,可以通过索引和切片操作来访问张量的特定元素或子张量

  • 重塑和转置

tensor.reshape() 可以改变张量的形状, tensor.transpose() 可以对张量进行转置操作

# 张量操作
tensor1 = torch.tensor([1, 2, 3])
tensor2 = torch.tensor([4, 5, 6])
add_tensor = tensor1 + tensor2  # 加法
print(add_tensor)  # tensor([5, 7, 9])

mul_tensor = tensor1 * tensor2  # 乘法
print(mul_tensor)  # tensor([ 4, 10, 18])

matmul_tensor = torch.matmul(tensor1.unsqueeze(0), tensor2.unsqueeze(1))  # 矩阵乘法
print(matmul_tensor)  # tensor([[32]])

reshaped_tensor = tensor_from_data.reshape((1, 3))  # 重塑
print(reshaped_tensor)  # tensor([[1, 2, 3]])

transposed_tensor = tensor_from_data.reshape((3, 1)).transpose(0, 1)  # 转置
print(transposed_tensor)  # tensor([[1, 2, 3]])

自动求导

  • 自动求导机制

PyTorch的 autograd 模块能够自动计算梯度,这对于神经网络的反向传播至关重要。当创建张量时,设置 requires_grad=True ,则该张量的所有操作都会被跟踪,以便后续计算梯度

## 自动求导

x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = x * x
y.sum().backward()  # 反向传播
print(x.grad)  # 输出梯度 [2., 4., 6.]
  • 定义新自动求导函数

可以通过继承 torch.autograd.Function 类并实现 forward 和 backward 方法来定义新的自动求导函数,从而实现自定义的梯度计算逻辑

# 定义新自动求导函数
class CustomReLU(torch.autograd.Function):
    @staticmethod  # 表示这是一个静态方法,不需要实例化类就可以调用
    def forward(ctx, input):
        ctx.save_for_backward(input)  # 保存输入张量,以便在反向传播时使用
        return torch.relu(input)  # 前向传播:应用 ReLU 激活函数

    @staticmethod
    def backward(ctx, grad_output):
        input, = ctx.saved_tensors  # 获取保存的输入张量
        grad_input = grad_output.clone()  # 创建一个与 grad_output 形状相同的张量
        grad_input[input < 0] = 0  # 对于输入小于0的部分,梯度为0
        return grad_input  # 返回梯度

custom_relu = CustomReLU.apply
x = torch.tensor([-1.0, 2.0, 3.0], requires_grad=True)
y = custom_relu(x)
y.sum().backward()
print(x.grad)  # 输出梯度 [0., 1., 1.]

神经网络构建

torch.nn 模块:

  • 层定义

提供了各种神经网络层的实现如 nn.Linear 定义全连接层, nn.Conv2d 定义二维卷积层, nn.BatchNorm2d 定义二维批量归一化层等

  • 激活函数

包括 torch.relu 、 torch.sigmoid 、 torch.tanh 等常用的激活函数

  • 损失函数

提供了多种损失函数,如 nn.MSELoss 用于均方误差损失, nn.CrossEntropyLoss 用于分类任务的交叉熵损失, nn.BCELoss 用于二分类任务的二元交叉熵损失等

  • 优化器

实现了多种优化算法,如 torch.optim.SGD 是随机梯度下降优化器, torch.optim.Adam 是Adam优化器等,用于更新网络参数

模型定义:

通过继承 torch.nn.Module 类来定义自己的神经网络模型,在 __init__ 方法中定义网络的层,在 forward 方法中定义数据在网络中的前向传播过程

## 神经网络构建

import torch.nn as nn
import torch.optim as optim

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(5, 2)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

model = MyModel()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 模拟训练
inputs = torch.randn(4, 10)
labels = torch.tensor([0, 1, 0, 1])

optimizer.zero_grad()  # 清空梯度
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()  # 反向传播
optimizer.step()  # 更新参数

print(criterion(outputs, labels))  # tensor(0.6918, grad_fn=<NllLossBackward0>)

数据处理

  • 数据集

 torch.utils.data.Dataset 是一个抽象类,用于表示数据集,用户可以自定义数据集类,通过重写 __getitem__ 和 __len__ 方法来实现对数据的访问和获取数据集的大小

  • 数据加载器

torch.utils.data.DataLoader 是一个可迭代对象,它封装了数据集,并提供了批量加载、打乱数据、多线程数据加载等功能,方便在训练过程中高效地获取数据

## 数据处理

from torch.utils.data import Dataset, DataLoader

# 自定义数据集
class MyDataset(Dataset):
    def __init__(self, data, labels):
        self.data = data
        self.labels = labels

    def __getitem__(self, index):
        return self.data[index], self.labels[index]

    def __len__(self):
        return len(self.data)

data = torch.randn(100, 10)
labels = torch.randint(0, 2, (100,))
dataset = MyDataset(data, labels)
dataloader = DataLoader(dataset, batch_size=10, shuffle=True)

# 使用数据加载器
for inputs, labels in dataloader:
    print(inputs.shape, labels.shape)   
    # torch.Size([10, 10])  torch.Size([10])
    # torch.Size([10, 10])  torch.Size([10])
    # torch.Size([10, 10])  torch.Size([10])
    # torch.Size([10, 10])  torch.Size([10])
    # torch.Size([10, 10])  torch.Size([10])
    # torch.Size([10, 10])  torch.Size([10])
    # torch.Size([10, 10])  torch.Size([10])
    # torch.Size([10, 10])  torch.Size([10])
    # torch.Size([10, 10])  torch.Size([10])
    # torch.Size([10, 10])  torch.Size([10])

模型保存与加载

保存模型

  • torch.save(model.state_dict(), 'model.pth')

只保存模型的参数,这种方式保存的文件较小,且在加载模型时需要先定义相同的模型结构

  • torch.save(model, 'model.pth')

保存整个模型,包括模型的结构和参数,这种方式保存的文件较大,但加载时不需要定义模型结构

## 数据保存与加载

# 保存模型
torch.save(model.state_dict(), 'model.pth')  # 保存参数
torch.save(model, 'model.pth')  # 保存整个模型

加载模型

  • 对于只保存参数的方式,需要先定义相同的模型结构,然后使用 model.load_state_dict(torch.load('model.pth')) 加载模型参数
  • 对于保存整个模型的方式,可以直接使用 torch.load('model.pth') 加载模型,然后将其分配给一个变量即可使用
# 加载模型
model = MyModel()
model.load_state_dict(torch.load('model.pth'))  # 加载参数
model = torch.load('model.pth')  # 加载整个模型

分布式训练

  • 多GPU训练

PyTorch提供了 torch.nn.DataParallel 和 torch.nn.parallel.DistributedDataParallel 等模块,用于在多GPU环境下进行模型训练,可以显著提高训练速度

  • 分布式数据加载

在分布式训练中, torch.utils.data.distributed.DistributedSampler 可以根据进程数和进程编号对数据集进行分片,确保每个进程加载的数据是不同的,从而实现数据的分布式加载

## 分布式训练

import torch.distributed as dist
import torch.nn.parallel

# 初始化分布式环境
dist.init_process_group(backend='nccl', init_method='env://')

# 多GPU训练
model = MyModel()
model = torch.nn.DataParallel(model)
# model = torch.nn.parallel.DistributedDataParallel(model)

# 分布式数据加载
sampler = torch.utils.data.distributed.DistributedSampler(dataset)
dataloader = DataLoader(dataset, batch_size=10, sampler=sampler)

其他功能

  • 设备管理

可以通过 torch.device 对象来指定张量和模型所在的设备,如 torch.device('cuda:0') 表示使用第一块GPU, torch.device('cpu') 表示使用CPU

  • 随机数种子设置

使用 torch.manual_seed(seed) 可以设置随机数种子,确保每次运行代码时生成的随机数是相同的,这对于实验的可重复性非常重要

  • 模型推理

在模型推理阶段,可以使用 model.eval() 将模型切换到评估模式,这会关闭 Dropout 和 BatchNorm 等层的训练特性,以确保模型在推理时的行为是正确的

## 其他功能

# 设备管理
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
tensor = torch.tensor([1, 2, 3], device=device)

# 随机数种子设置
torch.manual_seed(42)
random_tensor = torch.randn((3, 3))

# 模型推理
model.eval()  # 切换到评估模式
with torch.no_grad():  # 关闭梯度计算
    outputs = model(inputs)