Pytorch入门随手记

Pytorch入门随手记

1. 什么是Pytorch?

   Pytorch是Torch到Python上的移植(Torch原本是用Lua语言编写的)

   是一个动态的过程，数据和图是一起建立的。

2. tensor.dot(tensor1,tensor2)//tensor各个对应位置相乘再相加

3. print(net)可以输出网络结构

4. Pytorch的动态性：网络参数可以有多个不固定的，例如：

   来源：https://morvanzhou.github.io/tutorials/machine-learning/torch/5-01-dynamic/

   最典型的例子就是 RNN, 有时候 RNN 的 time step 不会一样, 或者在 training 和 testing 的时候, batch_size 和 time_step 也不一样, 这时, Tensorflow 就头疼了, Tensorflow 的人也头疼了. 哈哈, 如果用一个动态计算图的 Torch, 我们就好理解多了, 写起来也简单多了.

5. 激活函数使用层和function，在效果上没什么区别

6. 使用torch.nn.Sequential快速搭建模型

   torch.nn.Sequential(

   ​ #eg

   ​ torch.nn.linear(2,10),

   ​ torch.nn.ReLU(),

   ​ torch.nn.linear(10,2),

   )

这里使用的是匿名对象，所以print出来之后是没有类型名称（即self.hidden和self.predict之类的，输出的时候会显示hidden和predict).

1. 保存和提取神经网络

   1. 保存

      torch.save(net,"net.pkl")#保存整个神经网络模型，类型名为pkl

      torch.save(net.state_dict(),"net_params.pkl")#只保存参数而不保存整个网络

   2. 提取

      net=torch.load("net.pkl")#提取网络

      net2=torch.nn.Sequential(

      这里只是举了用Sequential来创建网络的例子，如果不用这种匿名方法的话也是一样的，就是在提取参数之前要搭建一个和原网络完全一样的网络结构

      )

      net2.load_state_dict(torch.load("net_params.pkl"))#只提取参数

2. 批训练(Mini Batch Training)

   BATCH_SIZE=5
   x=torch.linspace(1,10,10)
   y=torch.linspace(10,1,10)
   torch_dataset=Data.TensorDataset(data_tensor=x,target_tensor=y)
   loader=Data.DataLoader(
   	dataset=torch_dataset,
       batch_size=BATCH_SIZE,
       shuffle=True,#shuffle如果设置为true,则每次batch都是选择的不一样的数据，设置为False，则每次batch的数据都一样。
       num_workers=2,#设置提取数据时候的线程数量
   )
   for epoch in range(3):
       for step,(batch_x,batch_y)in enumerate(loader):#enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。
      #例如本例中，那个step就是提取的index
   
   

3. 超参数：在机器学习的上下文中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。

   由此可见，超参数一般是人为指定的、定义在模型之前的一些全局变量，它对模型和训练的过程进行控制。习惯上，用大写来表示。

4. 

   我觉得它第三个for循环和zip合起来还挺灵性的。

5. len(train_loader)和len(train_loader.dataset)的区别

   这里举个例子：

   train_loader = torch.utils.data.DataLoader(
       dataset=torch_train_dataset,
       batch_size=BATCH_SIZE,
       shuffle=True,
       num_workers=WORKERS)
   

   len(train_loader.dataset)=len(torch_train_dataset),也就是数据集的大小，和batch_size无关

   而len(train_loader)=len(train_loader.dataset)/batch_size并向上取整