PyTorch学习笔记及问题处理

1、torch.nn.state_dict()：

　　返回一个字典，保存着module的所有状态（state）。

　　parameters和persistent_buffers都会包含在字典中，字典的key就是parameter和buffer的names。

例子：

import torch
from torch.autograd import Variable
import torch.nn as nn

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv2 = nn.Linear(1, 2)
        self.vari = Variable(torch.rand([1]))
        self.par = nn.Parameter(torch.rand([1]))
        self.register_buffer("buffer", torch.randn([2,3]))

model = Model()
print(model.state_dict().keys())

odict_keys(['par', 'buffer', 'conv2.weight', 'conv2.bias'])

　　字典迭代形式{<class 'str'>：<class 'torch.Tensor'>, ... }

2、@与*的区别

　　@表示用tensor进行矩阵相乘；

　　*表示用tensor进行矩阵逐元素相乘；

3、沿着指定的维度重复tensor

4、交叉熵

　　CrossEntropyLoss()是softmax和负对数损失的结合；

　　如果用 nn.BCELoss()计算二进制交叉熵, 需要先将logit经sigmoid()层激活再送入nn.BCELoss()计算损失。

5、pytorch: can't optimize a non-leaf Tensor

　　需要先把Tensor放入到GPU中，然后再设置Tensor.requires_grad=True。

6. 类别标签转换one-hot编码

　　# one_hot = torch.zeros(batch_size, class_num).scatter_(1, label.long().view(batch_size, 1), 1.)

　　one_hot = torch.nn.functional.one_hot(label, class_num)

7. RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation

　　简单来说，需要将x += 1 这种改成 x = x+1；

　　原因：x+=1的值会直接在原值上面做更新，是inplace=True的情况，而后一种是先让x+1然后赋值给x，属于inplace=False。

8. Pytorch: Trying to backward through the graph a second time, but the buffers have already been freed

　　loss.backward()改成loss.backward(retain_graph=True)