电脑知识|欧美黑人一区二区三区|软件|欧美黑人一级爽快片淫片高清|系统|欧美黑人狂野猛交老妇|数据库|服务器|编程开发|网络运营|知识问答|技术教程文章 - 好吧啦网

您的位置:首頁技術文章
文章詳情頁

使用Pytorch搭建模型的步驟

瀏覽:30日期:2022-07-05 13:42:32

本來是只用Tenorflow的,但是因為TF有些Numpy特性并不支持,比如對數組使用列表進行切片,所以只能轉戰Pytorch了(pytorch是支持的)。還好Pytorch比較容易上手,幾乎完美復制了Numpy的特性(但還有一些特性不支持),怪不得熱度上升得這么快。

1 模型定義

和TF很像,Pytorch也通過繼承父類來搭建自定義模型,同樣也是實現兩個方法。在TF中是__init__()和call(),在Pytorch中則是__init__()和forward()。功能類似,都分別是初始化模型內部結構和進行推理。其它功能比如計算loss和訓練函數,你也可以繼承在里面,當然這是可選的。下面搭建一個判別MNIST手寫字的Demo,首先給出模型代碼:

import numpy as npimport matplotlib.pyplot as plt import torch from torch import nn,optim from torchsummary import summary from keras.datasets import mnistfrom keras.utils import to_categoricaldevice = torch.device(’cuda’) #——————1—————— class ModelTest(nn.Module): def __init__(self,device): super().__init__() self.layer1 = nn.Sequential(nn.Flatten(),nn.Linear(28*28,512),nn.ReLU())#——————2—————— self.layer2 = nn.Sequential(nn.Linear(512,512),nn.ReLU()) self.layer3 = nn.Sequential(nn.Linear(512,512),nn.ReLU()) self.layer4 = nn.Sequential(nn.Linear(512,10),nn.Softmax()) self.to(device) #——————3—————— self.opt = optim.SGD(self.parameters(),lr=0.01)#——————4—————— def forward(self,inputs): #——————5—————— x = self.layer1(inputs) x = self.layer2(x) x = self.layer3(x) x = self.layer4(x) return x def get_loss(self,true_labels,predicts): loss = -true_labels * torch.log(predicts) #——————6—————— loss = torch.mean(loss) return loss def train(self,imgs,labels): predicts = model(imgs) loss = self.get_loss(labels,predicts) self.opt.zero_grad()#——————7—————— loss.backward()#——————8—————— self.opt.step()#——————9——————model = ModelTest(device)summary(model,(1,28,28),3,device=’cuda’) #——————10——————

#1:獲取設備,以方便后面的模型與變量進行內存遷移,設備名只有兩種:’cuda’和’cpu’。通常是在你有GPU的情況下需要這樣顯式進行設備的設置,從而在需要時,你可以將變量從主存遷移到顯存中。如果沒有GPU,不獲取也沒事,pytorch會默認將參數都保存在主存中。

#2:模型中層的定義,可以使用Sequential將想要統一管理的層集中表示為一層。

#3:在初始化中將模型參數遷移到GPU顯存中,加速運算,當然你也可以在需要時在外部執行model.to(device)進行遷移。

#4:定義模型的優化器,和TF不同,pytorch需要在定義時就將需要梯度下降的參數傳入,也就是其中的self.parameters(),表示當前模型的所有參數。實際上你不用擔心定義優化器和模型參數的順序問題,因為self.parameters()的輸出并不是模型參數的實例,而是整個模型參數對象的指針,所以即使你在定義優化器之后又定義了一個層,它依然能優化到。當然優化器你也可以在外部定義,傳入model.parameters()即可。這里定義了一個隨機梯度下降。

#5:模型的前向傳播,和TF的call()類似,定義好model()所執行的就是這個函數。

#6:我將獲取loss的函數集成在了模型中,這里計算的是真實標簽和預測標簽之間的交叉熵。

#7/8/9:在TF中,參數梯度是保存在梯度帶中的,而在pytorch中,參數梯度是各自集成在對應的參數中的,可以使用tensor.grad來查看。每次對loss執行backward(),pytorch都會將參與loss計算的所有可訓練參數關于loss的梯度疊加進去(直接相加)。所以如果我們沒有疊加梯度的意愿的話,那就要在backward()之前先把之前的梯度刪除。又因為我們前面已經把待訓練的參數都傳入了優化器,所以,對優化器使用zero_grad(),就能把所有待訓練參數中已存在的梯度都清零。那么梯度疊加什么時候用到呢?比如批量梯度下降,當內存不夠直接計算整個批量的梯度時,我們只能將批量分成一部分一部分來計算,每算一個部分得到loss就backward()一次,從而得到整個批量的梯度。梯度計算好后,再執行優化器的step(),優化器根據可訓練參數的梯度對其執行一步優化。

#10:使用torchsummary函數顯示模型結構。奇怪為什么不把這個繼承在torch里面,要重新安裝一個torchsummary庫。

2 訓練及可視化

接下來使用模型進行訓練,因為pytorch自帶的MNIST數據集并不好用,所以我使用的是Keras自帶的,定義了一個獲取數據的生成器。下面是完整的訓練及繪圖代碼(50次迭代記錄一次準確率):

import numpy as npimport matplotlib.pyplot as plt import torch from torch import nn,optim from torchsummary import summary from keras.datasets import mnistfrom keras.utils import to_categoricaldevice = torch.device(’cuda’) #——————1—————— class ModelTest(nn.Module): def __init__(self,device): super().__init__() self.layer1 = nn.Sequential(nn.Flatten(),nn.Linear(28*28,512),nn.ReLU())#——————2—————— self.layer2 = nn.Sequential(nn.Linear(512,512),nn.ReLU()) self.layer3 = nn.Sequential(nn.Linear(512,512),nn.ReLU()) self.layer4 = nn.Sequential(nn.Linear(512,10),nn.Softmax()) self.to(device) #——————3—————— self.opt = optim.SGD(self.parameters(),lr=0.01)#——————4—————— def forward(self,inputs): #——————5—————— x = self.layer1(inputs) x = self.layer2(x) x = self.layer3(x) x = self.layer4(x) return x def get_loss(self,true_labels,predicts): loss = -true_labels * torch.log(predicts) #——————6—————— loss = torch.mean(loss) return loss def train(self,imgs,labels): predicts = model(imgs) loss = self.get_loss(labels,predicts) self.opt.zero_grad()#——————7—————— loss.backward()#——————8—————— self.opt.step()#——————9——————def get_data(device,is_train = True, batch = 1024, num = 10000): train_data,test_data = mnist.load_data() if is_train: imgs,labels = train_data else: imgs,labels = test_data imgs = (imgs/255*2-1)[:,np.newaxis,...] labels = to_categorical(labels,10) imgs = torch.tensor(imgs,dtype=torch.float32).to(device) labels = torch.tensor(labels,dtype=torch.float32).to(device) i = 0 while(True): i += batch if i > num: i = batch yield imgs[i-batch:i],labels[i-batch:i] train_dg = get_data(device, True,batch=4096,num=60000) test_dg = get_data(device, False,batch=5000,num=10000) model = ModelTest(device) summary(model,(1,28,28),11,device=’cuda’) ACCs = []import timestart = time.time()for j in range(20000): #訓練 imgs,labels = next(train_dg) model.train(imgs,labels) #驗證 img,label = next(test_dg) predicts = model(img) acc = 1 - torch.count_nonzero(torch.argmax(predicts,axis=1) - torch.argmax(label,axis=1))/label.shape[0] if j % 50 == 0: t = time.time() - start start = time.time() ACCs.append(acc.cpu().numpy()) print(j,t,’ACC: ’,acc)#繪圖x = np.linspace(0,len(ACCs),len(ACCs))plt.plot(x,ACCs)

準確率變化圖如下:

使用Pytorch搭建模型的步驟

3 其它使用技巧

3.1 tensor與array

需要注意的是,pytorch的tensor基于numpy的array,它們是共享內存的。也就是說,如果你把tensor直接插入一個列表,當你修改這個tensor時,列表中的這個tensor也會被修改;更容易被忽略的是,即使你用tensor.detach.numpy(),先將tensor轉換為array類型,再插入列表,當你修改原本的tensor時,列表中的這個array也依然會被修改。所以如果我們只是想保存tensor的值而不是整個對象,就要使用np.array(tensor)將tensor的值復制出來。

3.2 自定義層

在TF中,自定義模型通常繼承keras的Model,而自定義層則是繼承layers.Layer,繼承不同的父類通常會造成初學者的困擾。而在pytorch中,自定義層與自定義模型一樣,都是繼承nn.Module。Pytorch將層與模型都看成了模塊,這很容易理解。的確,層與模型之間本來也沒有什么明確的界限。并且定義方式與上面定義模型的方式一樣,也是實現兩個函數即可。代碼示例如下:

import torch from torch import nn class ParaDeconv(nn.Module):#——————1—————— def __init__(self,in_n,out_n): super().__init__() self.w = nn.Parameter(torch.normal(0,0.01,size = [in_n,out_n]),requires_grad=True) self.b = nn.Parameter(torch.normal(0,0.01,size = [out_n]),requires_grad=True) def forward(self,inputs): x = torch.matmul(inputs,self.w) x = x + self.b return x layer = ParaDeconv(2,3)y = layer(torch.ones(100,2))#——————2——————loss = torch.sum(y)#——————3——————loss.backward()#——————4——————for i in layer.parameters():#——————5—————— print(i.grad)#——————6——————

#1:自定義一個全連接層。層中可訓練參數的定義是使用nn.Parameter,如果直接使用torch.tensor是無法在#5中遍歷到的。

#2/3/4:輸入并計算loss,然后反向傳播計算參數梯度。

#5/6:輸出完成反向傳播后層參數的梯度。

以上定義的層可以和pytorch自帶的層一樣直接插入模型中使用。

3.3 保存/加載

3.3.1 保存/加載模型

有兩種方式,一種是保存模型的參數:

torch.save(model.state_dict(), PATH) #保存 model.load_state_dict(torch.load(PATH),strict=True) #加載

這種加載方式需要先定義模型,然后再加載參數。如果你定義的模型參數名與保存的參數對不上,就會出錯。但如果把strict修改成False,不嚴格匹配,它就會只匹配對應上的鍵值,不會因多出或缺少的參數而報錯。

另一種是直接保存模型:

torch.save(model, PATH) #保存model = torch.load(PATH) #加載

這種方式看似方便,實際上更容易出錯。因為python不能保存整個模型的類,所以它只能保存定義類的代碼文件位置,以在加載時獲取類的結構。如果你改變了定義類的代碼位置,就有可能因為找不到類而出錯。

3.3.2 保存訓練點當你要保存某個訓練階段的狀態,比如包含優化器參數、模型參數、訓練迭代次數等,可以進行如下操作:

#保存訓練點torch.save({ ’epoch’: epoch, ’model_state_dict’: model.state_dict(), ’optimizer_state_dict’: optimizer.state_dict(), ’loss’: loss }, PATH)#加載訓練點model = TheModelClass(*args, **kwargs)optimizer = TheOptimizerClass(*args, **kwargs)checkpoint = torch.load(PATH)model.load_state_dict(checkpoint[’model_state_dict’])optimizer.load_state_dict(checkpoint[’optimizer_state_dict’])epoch = checkpoint[’epoch’]loss = checkpoint[’loss’]

和保存模型一樣,也是使用torch.save()。它很靈活,可以保存字典,因此讀取的時候也按照字典索引讀取即可。當然要注意,并不是任何類型都能保存的,這里保存的四個類型分別是:

1. int

2. collections.OrderedDict

3. collections.OrderedDict

4. list

3.4 修改模型參數

Pytorch沒有提供額外的方式讓我們修改模型參數,我們可以使用上面加載模型參數的方式來修改參數。對于某個參數,我們只要把鍵值和對應要修改的值放在字典中傳入load_state_dict即可。如果沒傳入所有的參數,記得把strict設為False。示例如下:

model.load_state_dict({’weight’:torch.tensor([0.])},strict=False) #修改模型參數

參數名,也就是鍵值,和對應的參數shape可以通過model.state_dict()查看。

以上就是使用Pytorch搭建模型的步驟的詳細內容,更多關于Pytorch搭建模型的資料請關注好吧啦網其它相關文章!

標簽: Pytorch
相關文章:
主站蜘蛛池模板: 大_小鼠elisa试剂盒-植物_人Elisa试剂盒-PCR荧光定量试剂盒-上海一研生物科技有限公司 | 施工围挡-施工PVC围挡-工程围挡-深圳市旭东钢构技术开发有限公司 | 耐酸碱胶管_耐腐蚀软管总成_化学品输送软管_漯河利通液压科技耐油耐磨喷砂软管|耐腐蚀化学软管 | 金联宇电缆总代理-金联宇集团-广东金联宇电缆实业有限公司 | 广州市哲铭油墨涂料有限公司,水性漆生产研发基地 | 天津力值检测-天津管道检测-天津天诚工程检测技术有限公司 | 成都中天自动化控制技术有限公司| TPM咨询,精益生产管理,5S,6S现场管理培训_华谋咨询公司 | 精准猎取科技资讯,高效阅读科技新闻_科技猎 | 广州各区危化证办理_危险化学品经营许可证代办 | 河北码上网络科技|邯郸小程序开发|邯郸微信开发|邯郸网站建设 | 油漆辅料厂家_阴阳脚线_艺术漆厂家_内外墙涂料施工_乳胶漆专用防霉腻子粉_轻质粉刷石膏-魔法涂涂 | 防爆电机_防爆电机型号_河南省南洋防爆电机有限公司 | 电动液压篮球架_圆管地埋式篮球架_移动平箱篮球架-强森体育 | pos机办理,智能/扫码/二维码/微信支付宝pos机-北京万汇通宝商贸有限公司 | 精益专家 - 设备管理软件|HSE管理系统|设备管理系统|EHS安全管理系统 | 胶原检测试剂盒,弹性蛋白检测试剂盒,类克ELISA试剂盒,阿达木单抗ELISA试剂盒-北京群晓科苑生物技术有限公司 | 创客匠人-让IP变现不走弯路| 螺旋丝杆升降机-SWL蜗轮-滚珠丝杆升降机厂家-山东明泰传动机械有限公司 | 手表腕表维修保养鉴定售后服务中心网点 - 名表维修保养 | 玻纤土工格栅_钢塑格栅_PP焊接_单双向塑料土工格栅_复合防裂布厂家_山东大庚工程材料科技有限公司 | 超声波反应釜【百科】-以马内利仪器 | 拉力机-万能试验机-材料拉伸试验机-电子拉力机-拉力试验机厂家-冲击试验机-苏州皖仪实验仪器有限公司 | 成都热收缩包装机_袖口式膜包机_高速塑封机价格_全自动封切机器_大型套膜机厂家 | ge超声波测厚仪-电动涂膜机-电动划格仪-上海洪富 | 北京浩云律师事务所-企业法律顾问_破产清算等公司法律服务 | 学生作文网_中小学生作文大全与写作指导| 小型高低温循环试验箱-可程式高低温湿热交变试验箱-东莞市拓德环境测试设备有限公司 | 山东PE给水管厂家,山东双壁波纹管,山东钢带增强波纹管,山东PE穿线管,山东PE农田灌溉管,山东MPP电力保护套管-山东德诺塑业有限公司 | 聚氨酯复合板保温板厂家_廊坊华宇创新科技有限公司 | 深圳市超时尚职业培训学校,培训:月嫂,育婴,养老,家政;化妆,美容,美发,美甲. | 顺景erp系统_erp软件_erp软件系统_企业erp管理系统-广东顺景软件科技有限公司 | 色油机-色母机-失重|称重式混料机-称重机-米重机-拌料机-[东莞同锐机械]精密计量科技制造商 | 无负压供水设备,消防稳压供水设备-淄博创辉供水设备有限公司 | 无痕胶_可移胶_无痕双面胶带_可移无痕胶厂家-东莞凯峰 | 北京普辉律师事务所官网_北京律师24小时免费咨询|法律咨询 | 涂层测厚仪_光泽度仪_uv能量计_紫外辐照计_太阳膜测试仪_透光率仪-林上科技 | 高低温试验房-深圳高低温湿热箱-小型高低温冲击试验箱-爱佩试验设备 | 通风天窗,通风气楼,屋顶通风天窗,屋顶通风天窗公司 | 螺旋丝杆升降机-SWL蜗轮-滚珠丝杆升降机厂家-山东明泰传动机械有限公司 | 沈阳庭院景观设计_私家花园_别墅庭院设计_阳台楼顶花园设计施工公司-【沈阳现代时园艺景观工程有限公司】 |