本文介绍了pytorch上搭建简单神经网络实现回归和分类的示例，分享给大家，具体如下：
一、pytorch入门
1. 安装方法
登录pytorch官网，http://pytorch.org，可以看到以下界面：
按上图的选项选择后即可得到linux下conda指令：
|
1
|
conda install pytorch torchvision -c soumith |
目前pytorch仅支持macos和linux，暂不支持windows。安装 pytorch 会安装两个模块，一个是torch，一个 torchvision, torch 是主模块，用来搭建神经网络的，torchvision 是辅模块，有数据库，还有一些已经训练好的神经网络等着你直接用，比如 (vgg, alexnet, resnet)。
2. numpy与torch
torch_data = torch.from_numpy(np_data)可以将numpy(array)格式转换为torch(tensor)格式；torch_data.numpy()又可以将torch的tensor格式转换为numpy的array格式。注意torch的tensor和numpy的array会共享他们的存储空间，修改一个会导致另外的一个也被修改。
对于1维（1-d）的数据，numpy是以行向量的形式打印输出，而torch是以列向量的形式打印输出的。
其他例如sin, cos, abs,mean等numpy中的函数在torch中用法相同。需要注意的是，numpy中np.matmul(data, data)和data.dot(data)矩阵相乘会得到相同结果；torch中torch.mm(tensor, tensor)是矩阵相乘的方法，得到一个矩阵，tensor.dot(tensor)会把tensor转换为1维的tensor，然后逐元素相乘后求和，得到与一个实数。
相关代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
|
import torch import numpy as np np_data = np.arange(6).reshape((2, 3)) torch_data = torch.from_numpy(np_data) # 将numpy(array)格式转换为torch(tensor)格式 tensor2array = torch_data.numpy() print( '\nnumpy array:\n', np_data, '\ntorch tensor:', torch_data, '\ntensor to array:\n', tensor2array, ) # torch数据格式在print的时候前后自动添加换行符 # abs data = [-1, -2, 2, 2] tensor = torch.floattensor(data) print( '\nabs', '\nnumpy: \n', np.abs(data), '\ntorch: ', torch.abs(tensor) ) # 1维的数据，numpy是行向量形式显示，torch是列向量形式显示 # sin print( '\nsin', '\nnumpy: \n', np.sin(data), '\ntorch: ', torch.sin(tensor) ) # mean print( '\nmean', '\nnumpy: ', np.mean(data), '\ntorch: ', torch.mean(tensor) ) # 矩阵相乘 data = [[1,2], [3,4]] tensor = torch.floattensor(data) print( '\nmatrix multiplication (matmul)', '\nnumpy: \n', np.matmul(data, data), '\ntorch: ', torch.mm(tensor, tensor) ) data = np.array(data) print( '\nmatrix multiplication (dot)', '\nnumpy: \n', data.dot(data), '\ntorch: ', tensor.dot(tensor) ) |
3. variable
pytorch中的神经网络来自于autograd包，autograd包提供了tensor所有操作的自动求导方法。
autograd.variable这是这个包中最核心的类。可以将variable理解为一个装有tensor的容器，它包装了一个tensor，并且几乎支持所有的定义在其上的操作。一旦完成运算，便可以调用 .backward()来自动计算出所有的梯度。也就是说只有把tensor置于variable中，才能在神经网络中实现反向传递、自动求导等运算。
可以通过属性 .data 来访问原始的tensor，而关于这一variable的梯度则可通过 .grad属性查看。
相关代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
import torch from torch.autograd import variable tensor = torch.floattensor([[1,2],[3,4]]) variable = variable(tensor, requires_grad=true) # 打印展示variable类型 print(tensor) print(variable) t_out = torch.mean(tensor*tensor) # 每个元素的^ 2 v_out = torch.mean(variable*variable) print(t_out) print(v_out) v_out.backward() # variable的误差反向传递 # 比较variable的原型和grad属性、data属性及相应的numpy形式 print('variable:\n', variable) # v_out = 1/4 * sum(variable*variable) 这是计算图中的 v_out 计算步骤 # 针对于 v_out 的梯度就是, d(v_out)/d(variable) = 1/4*2*variable = variable/2 print('variable.grad:\n', variable.grad) # variable的梯度 print('variable.data:\n', variable.data) # variable的数据 print(variable.data.numpy()) #variable的数据的numpy形式 |
部分输出结果：
variable:
variable containing:
1 2
3 4
[torch.floattensor of size 2x2]
variable.grad:
variable containing:
0.5000 1.0000
1.5000 2.0000
[torch.floattensor of size 2x2]
variable.data:
1 2
3 4
[torch.floattensor of size 2x2]
[[ 1. 2.]
[ 3. 4.]]
4. 激励函数activationfunction
torch的激励函数都在torch.nn.functional中，relu,sigmoid, tanh, softplus都是常用的激励函数。
相关代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
import torch import torch.nn.functional as f from torch.autograd import variable import matplotlib.pyplot as plt x = torch.linspace(-5, 5, 200) x_variable = variable(x) #将x放入variable x_np = x_variable.data.numpy() # 经过4种不同的激励函数得到的numpy形式的数据结果 y_relu = f.relu(x_variable).data.numpy() y_sigmoid = f.sigmoid(x_variable).data.numpy() y_tanh = f.tanh(x_variable).data.numpy() y_softplus = f.softplus(x_variable).data.numpy() plt.figure(1, figsize=(8, 6)) plt.subplot(221) plt.plot(x_np, y_relu, c='red', label='relu') plt.ylim((-1, 5)) plt.legend(loc='best') plt.subplot(222) plt.plot(x_np, y_sigmoid, c='red', label='sigmoid') plt.ylim((-0.2, 1.2)) plt.legend(loc='best') plt.subplot(223) plt.plot(x_np, y_tanh, c='red', label='tanh') plt.ylim((-1.2, 1.2)) plt.legend(loc='best') plt.subplot(224) plt.plot(x_np, y_softplus, c='red', label='softplus') plt.ylim((-0.2, 6)) plt.legend(loc='best') plt.show() |
二、pytorch实现回归
先看完整代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
import torch from torch.autograd import variable import torch.nn.functional as f import matplotlib.pyplot as plt x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # 将1维的数据转换为2维数据 y = x.pow(2) + 0.2 * torch.rand(x.size()) # 将tensor置入variable中 x, y = variable(x), variable(y) #plt.scatter(x.data.numpy(), y.data.numpy()) #plt.show() # 定义一个构建神经网络的类 class net(torch.nn.module): # 继承torch.nn.module类 def __init__(self, n_feature, n_hidden, n_output): super(net, self).__init__() # 获得net类的超类（父类）的构造方法 # 定义神经网络的每层结构形式 # 各个层的信息都是net类对象的属性 self.hidden = torch.nn.linear(n_feature, n_hidden) # 隐藏层线性输出 self.predict = torch.nn.linear(n_hidden, n_output) # 输出层线性输出 # 将各层的神经元搭建成完整的神经网络的前向通路 def forward(self, x): x = f.relu(self.hidden(x)) # 对隐藏层的输出进行relu激活 x = self.predict(x) return x # 定义神经网络 net = net(1, 10, 1) print(net) # 打印输出net的结构 # 定义优化器和损失函数 optimizer = torch.optim.sgd(net.parameters(), lr=0.5) # 传入网络参数和学习率 loss_function = torch.nn.mseloss() # 最小均方误差 # 神经网络训练过程 plt.ion() # 动态学习过程展示 plt.show() for t in range(300): prediction = net(x) # 把数据x喂给net，输出预测值 loss = loss_function(prediction, y) # 计算两者的误差，要注意两个参数的顺序 optimizer.zero_grad() # 清空上一步的更新参数值 loss.backward() # 误差反相传播，计算新的更新参数值 optimizer.step() # 将计算得到的更新值赋给net.parameters() # 可视化训练过程 if (t+1) % 10 == 0: plt.cla() plt.scatter(x.data.numpy(), y.data.numpy()) plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) plt.text(0.5, 0, 'l=%.4f' % loss.data[0], fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1) |
首先创建一组带噪声的二次函数拟合数据，置于variable中。定义一个构建神经网络的类net，继承torch.nn.module类。net类的构造方法中定义输入神经元、隐藏层神经元、输出神经元数量的参数，通过super()方法获得net父类的构造方法，以属性的方式定义net的各个层的结构形式；定义net的forward()方法将各层的神经元搭建成完整的神经网络前向通路。
定义好net类后，定义神经网络实例，net类实例可以直接print打印输出神经网络的结构信息。接着定义神经网络的优化器和损失函数。定义好这些后就可以进行训练了。optimizer.zero_grad()、loss.backward()、optimizer.step()分别是清空上一步的更新参数值、进行误差的反向传播并计算新的更新参数值、将计算得到的更新值赋给net.parameters()。循环迭代训练过程。
运行结果：
net (
(hidden): linear (1 -> 10)
(predict): linear (10 -> 1)
)
三、pytorch实现简单分类
完整代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
|
import torch from torch.autograd import variable import torch.nn.functional as f import matplotlib.pyplot as plt # 生成数据 # 分别生成2组各100个数据点，增加正态噪声，后标记以y0=0 y1=1两类标签，最后cat连接到一起 n_data = torch.ones(100,2) # torch.normal(means, std=1.0, out=none) x0 = torch.normal(2*n_data, 1) # 以tensor的形式给出输出tensor各元素的均值，共享标准差 y0 = torch.zeros(100) x1 = torch.normal(-2*n_data, 1) y1 = torch.ones(100) x = torch.cat((x0, x1), 0).type(torch.floattensor) # 组装（连接） y = torch.cat((y0, y1), 0).type(torch.longtensor) # 置入variable中 x, y = variable(x), variable(y) class net(torch.nn.module): def __init__(self, n_feature, n_hidden, n_output): super(net, self).__init__() self.hidden = torch.nn.linear(n_feature, n_hidden) self.out = torch.nn.linear(n_hidden, n_output) def forward(self, x): x = f.relu(self.hidden(x)) x = self.out(x) return x net = net(n_feature=2, n_hidden=10, n_output=2) print(net) optimizer = torch.optim.sgd(net.parameters(), lr=0.012) loss_func = torch.nn.crossentropyloss() plt.ion() plt.show() for t in range(100): out = net(x) loss = loss_func(out, y) # loss是定义为神经网络的输出与样本标签y的差别，故取softmax前的值 optimizer.zero_grad() loss.backward() optimizer.step() if t % 2 == 0: plt.cla() # 过了一道 softmax 的激励函数后的最大概率才是预测值 # torch.max既返回某个维度上的最大值，同时返回该最大值的索引值 prediction = torch.max(f.softmax(out), 1)[1] # 在第1维度取最大值并返回索引值 pred_y = prediction.data.numpy().squeeze() target_y = y.data.numpy() plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='rdylgn') accuracy = sum(pred_y == target_y)/200 # 预测中有多少和真实值一样 plt.text(1.5, -4, 'accu=%.2f' % accuracy, fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1) plt.ioff() plt.show() |
神经网络结构部分的net类与前文的回归部分的结构相同。
需要注意的是，在循环迭代训练部分，out定义为神经网络的输出结果，计算误差loss时不是使用one-hot形式的，loss是定义在out与y上的torch.nn.crossentropyloss()，而预测值prediction定义为out经过softmax后（将结果转化为概率值）的结果。
运行结果：
net (
(hidden): linear (2 -> 10)
(out):linear (10 -> 2)
)
四、补充知识
1. super()函数
在定义net类的构造方法的时候，使用了super(net,self).__init__()语句，当前的类和对象作为super函数的参数使用，这条语句的功能是使net类的构造方法获得其超类（父类）的构造方法，不影响对net类单独定义构造方法，且不必关注net类的父类到底是什么，若需要修改net类的父类时只需修改class语句中的内容即可。
2. torch.normal()
torch.normal()可分为三种情况：（1）torch.normal(means,std, out=none)中means和std都是tensor，两者的形状可以不必相同，但tensor内的元素数量必须相同，一一对应的元素作为输出的各元素的均值和标准差；（2）torch.normal(mean=0.0, std, out=none)中mean是一个可定义的float，各个元素共享该均值；（3）torch.normal(means,std=1.0, out=none)中std是一个可定义的float，各个元素共享该标准差。
3. torch.cat(seq, dim=0)
torch.cat可以将若干个tensor组装连接起来，dim指定在哪个维度上进行组装。
4. torch.max()
（1）torch.max(input)→ float
input是tensor，返回input中的最大值float。
（2）torch.max(input,dim, keepdim=true, max=none, max_indices=none) -> (tensor, longtensor)
同时返回指定维度=dim上的最大值和该最大值在该维度上的索引值。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/marsjhao/article/details/71743150
