导入必要的数据处理包，常见的有如下几种
import os import numpy as np import torch import torch.nn as nn from torch.utils.data import Dataset, DataLoader import torch.optim as optimizer
对于深度学习任务，一般有几个超参数可以统一设置，主要有
- batch size
- 初始学习率
- 训练次数
- GPU配置
参数可统一设置为
batch_size = 16 lr = 1e-4 max_epochs = 100
GPU设置有两种常见方式，
# 方案一：使用os.environ，这种情况如果使用GPU不需要设置
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'
# 方案二：使用“device”，后续对要使用GPU的变量用.to(device)即可
device = torch.device("cuda:1" if torch.cuda.is_available() else "cpu")
数据读入
主要指通过Dataset和Dataloader方式读入数据
- Dataset：定义数据格式、数据变换形式
- Dataloader：以iterative方式读入数据
Dataset类主要包括三个函数 - __init__：向类中传入外部参数，同时定义样本集
- __getitem__：逐个读取样本集合中的元素，可以进行一定的变换，并将返回训练/验证所需的数据
- __len__：返回样本集的样本数
Dataloader类主要属性 - batch_size：样本按“批”读入，指每次读入的样本数
- num_workers：用于读取数据的进程数
- shuffle：是否将样本数据打乱
- drop_last：抛弃最后一部分未达到批次数的样本
pytorch中神经网络构造基于Module类模型进行。Module 类是 nn 模块里提供的一个模型构造类，是所有神经⽹网络模块的基类。
这里主要是通过一个简单实例，认识pytorch中的神经网络模型，多层感知机，创建模型参数，前向计算任务。
- 不含模型参数的层
- 含模型参数的层
- 二维卷积层
将输入和卷积核做互相关运算，加上一个标量偏差得到输出。模型参数包括卷积核和标量偏差，训练模型时，通常对卷积核随机初始化，迭代运算卷积核和偏差。
卷积窗口形状为 p × q p times q p×q，卷积核的高和宽分别为 p p p和 q q q。
填充：在输入的高和宽的两侧填充元素（通常为0）
卷积核的高和宽不同时，通过设置相应的不同填充数使输入和输出具有相同的高和宽。
二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下 的顺序，依次在输⼊数组上滑动。我们将每次滑动的行数和列数称为步幅(stride)。
步幅：在输出的高和宽的两侧减少元素 - 池化层
每次对输入数据一个固定形状窗口（池化窗口）中的元素计算输出。
直接计算池化窗口内元素的最大值或者均值，对应运算分别称为最大池化或者平均池化。
在二维最⼤池化中，池化窗⼝口从输⼊数组的最左上⽅方开始，按从左往右、从上往下的顺序，依次在输⼊数组上滑动。当池化窗口滑动到某⼀位置时，窗口中的输入子数组的最大值即输出数组中相应位置的元素。
torch.nn包用来构建神经网,只支持小批量样本输入，不支持单个样本输入，而nn包则依赖于autogrand来定义模型并对进行求导。
一个神经网络的典型训练过程包括：
- 定义包含一些可学习参数(或者叫权重）的神经网络
- 输入数据集进行迭代
- 通过网络处理输入数据
- 计算 loss (输出和正确答案的距离）
- 将梯度反向传播给网络的参数
- 使用规则更新网络的权重
LeNet
一些模块
- torch.tensor：一个多维数组，支持诸如backward()等的自动求导操作，同时也保存了张量的梯度
- nn.module：神经网络模块。是一种方便封装参数的方式，具有将参数移动到GPU、导出、加载等功能
- nn.parameter：张量的一种，当它作为一个属性分配给一个Module时，它会被自动注册为一个参数
- auto.function：实现了自动求导前向和反向传播的定义，每个Tensor至少创建一个Function节点，该节点连接到创建Tensor的函数并对其历史进行编码
AlexNet
模型的负反馈
二分类交叉熵损失函数torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')
#功能：计算二分类任务时的交叉熵（Cross Entropy）函数。在二分类中，label是{0,1}。对于进入交叉熵函数的input为概率分布的形式。一般来说，input为sigmoid激活层的输出，或者softmax的输出
#主要参数： weight:每个类别的loss设置权值
#size_average:数据为bool，为True时，返回的loss为平均值；为False时，返回的各样本的loss之和。
#reduce:数据类型为bool，为True时，loss的返回是标量
计算公式（形式有误）
KaTeX parse error: Expected '}', got 'right' at position 180: … } end{array} ̲r̲i̲g̲h̲t̲.
torch.nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean') #功能：计算交叉熵函数 #主要参数： weight:每个类别的loss设置权值。 #size_average:数据为bool，为True时，返回的loss为平均值；为False时，返回的各样本的loss之和。 #ignore_index:忽略某个类的损失函数。 #reduce:数据类型为bool，为True时，loss的返回是标量
计 算 公 式 如 下 ： loss ( x , class ) = − log ( exp ( x [ class ] ) ∑ j exp ( x [ j ] ) ) = − x [ class ] + log ( ∑ j exp ( x [ j ] ) ) 计算公式如下： operatorname{loss}(x, text { class })=-log left(frac{exp (x[text { class }])}{sum_{j} exp (x[j])}right)=-x[text { class }]+log left(sum_{j} exp (x[j])right) 计算公式如下：loss(x, class )=−log(∑jexp(x[j])exp(x[ class ]))=−x[ class ]+log(j∑exp(x[j]))
损失函数torch.nn.L1Loss(size_average=None, reduce=None, reduction='mean') #功能： 计算输出y和真实标签target之间的差值的绝对值 #reduction参数决定了计算模式。有三种计算模式可选：none：逐个元素计算。 sum：所有元素求和，返回标量。 mean：加权平均，返回标量。 如果选择none，那么返回的结果是和输入元素相同尺寸的。默认计算方式是求平均
L n = ( ∣ x n − y n ∣ g ) L_{n} =( | x_{n}-y_{n}|g) Ln=(∣xn−yn∣g)
MSE损失函数torch.nn.MSELoss(size_average=None, reduce=None, reduction='mean') #功能：计算输出y和真实标签target之差的平方 #reduction参数决定了计算模式。有三种计算模式可选：none：逐个元素计算。 sum：所有元素求和，返回标量。默认计算方式是求平均
l n = ( x n − y n ) 2 l_{n}=left(x_{n}-y_{n}right)^{2} ln=(xn−yn)2
平滑L1 (Smooth L1)损失函数 目标泊松分布的负对数似然损失 KL散度 MarginRankingLoss 多标签边界损失函数 二分类损失函数 多分类的折页损失 三元组损失 HingEmbeddingLoss 余弦相似度 CTC损失函数 pytorch优化器 优化器通过不断改变网络参数，使得参数能够对输入做各种非线性变换拟合输出，进而寻找最优解。
方法：
- 暴力求解
- BP+优化器逼近求解
就是根据网络反向传播的梯度信息来更新网络的参数，以起到降低loss函数计算值，使得模型输出更加接近真实标签
库torch.optim提供的优化器有
- torch.optim.ASGD
- torch.optim.Adadelta
- torch.optim.Adagrad
- torch.optim.Adam
- torch.optim.AdamW
- torch.optim.Adamax
- torch.optim.LBFGS
- torch.optim.RMSprop
- torch.optim.Rprop
- torch.optim.SGD
- torch.optim.SparseAdam
优化器继承于基类optimizer
class Optimizer(object):
def __init__(self, params, defaults):
self.defaults = defaults
self.state = defaultdict(dict)
self.param_groups = []
属性
-
defaults：存储的是优化器的超参数
-
state：参数的缓存
-
param_groups：管理的参数组
方法 -
zero_grad()：清空所管理参数的梯度
-
step()：执行一步梯度更新，参数更新
-
add_param_group()：添加参数组
-
load_state_dict() ：加载状态参数字典，可以用来进行模型的断点续训练，继续上次的参数进行训练
-
state_dict()：获取优化器当前状态信息字典
设置模型的状态
- 训练状态：模型参数应该支持反向传播的修改
- 验证/测试状态：不应该修改模型参数
model.train() # 训练状态 model.eval() # 验证/测试状态 #for循环读取DataLoader中的全部数据 for data, label in train_loader: #将数据放到GPU上用于后续计算，以.cuda()为例 data, label = data.cuda(), label.cuda() #开始用当前批次数据做训练时，应当先将优化器的梯度置零 optimizer.zero_grad() #将data送入模型中训练 output = model(data) #根据预先定义的criterion计算损失函数 loss = criterion(output, label) #将loss反向传播回网络 loss.backward() #使用优化器更新模型参数： optimizer.step()
这样便完成一个训练过程。
验证/测试的流程基本与训练过程一致，不同点在于：
- 需要预先设置torch.no_grad，以及将model调至eval模式
- 不需要将优化器的梯度置零
- 不需要将loss反向回传到网络
- 不需要更新optimizer
必要时对必要信息进行可视化处理
