网站logo是指,超酷网站模板,个人网站设计成首页,备案号怎么放置到网站文章目录 一、层和块1.自定义块2.顺序块3.在前向传播函数中执行代码 二、参数管理1.参数访问2.参数初始化3.参数绑定 三、自定义层1.不带参数的层2.带参数的层 四、读写文件1.加载和保存张量2.加载和保存模型参数五、使用GPU [相关总结]state_dict() 一、层和块 为了实现复杂神… 文章目录 一、层和块1.自定义块2.顺序块3.在前向传播函数中执行代码 二、参数管理1.参数访问2.参数初始化3.参数绑定 三、自定义层1.不带参数的层2.带参数的层 四、读写文件1.加载和保存张量2.加载和保存模型参数五、使用GPU [相关总结]state_dict() 一、层和块 为了实现复杂神经网络块引入了神经网络块的概念。使用块进行抽象的一个好处是可以将一些块组合成更大的组件。 从编程的角度来看块由类表示。
import torch
from torch import nn
from torch.nn import functional as Fnet nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
# nn.Sequential定义了一种特殊的ModuleX torch.rand(2, 20)
# print(X)
net(X)tensor([[ 0.0479, 0.0093, -0.0509, 0.0863, -0.0410, -0.0043, -0.1234, -0.0119, 0.0347, -0.0381], [ 0.1190, 0.0932, -0.0282, 0.2016, -0.0204, -0.0272, -0.1753, 0.0427, -0.1553, -0.0589]], grad_fn)
1.自定义块
每个块必须提供的基本功能
1.将输入数据作为其前向传播函数的参数。2.通过前向传播函数来生成输出3.计算其输出关于输入的梯度可通过其反向传播函数进行访问。通常这是自动发生的。4.存储和访问前向传播计算所需的参数。5.根据需要初始化模型参数。
ex:编写块
class MLP(nn.Module):def __init__(self):# 用模型参数声明层super().__init__() #调用父类self.hidden nn.Linear(20, 256) #隐藏层self.out nn.Linear(256, 10) #输出层def forward(self, X):return self.out(F.relu(self.hidden(X)))# 实例化多层感知机的层 然后在每次调用正向传播函数时调用这些层
net MLP()
net(X)tensor([[-0.1158, -0.1282, -0.1533, 0.0258, 0.0228, 0.0202, -0.0638, -0.1078,0.0511, 0.0913],[-0.1663, -0.0860, -0.2551, 0.1551, -0.0917, -0.0747, -0.2828, -0.2308,0.1149, 0.1360]], grad_fnAddmmBackward)
2.顺序块
class MySequential(nn.Module):def __init__(self, *args):super().__init__()for block in args:
# _module的类型是OrderedDictself._modules[block] blockdef forward(self, X):
# OrderedDict保证了按照成员添加的顺序遍历它们for block in self._modules.values():X block(X)return Xnet MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net(X)当MySequential的前向传播函数被调用时 每个添加的块都按照它们被添加的顺序执行。
3.在前向传播函数中执行代码
self.rand_weight在实例化中被随机初始化之后为常量因此它永远不会被反向传播
class FixedHiddenMLP(nn.Module):def __init__(self):super().__init__()
# rand_weight不参加训练self.rand_weight torch.rand((20, 20), requires_gradFalse)self.linear nn.Linear(20, 20)def forward(self, X):X self.linear(X)
# 将X和rand_weight做矩阵乘法X F.relu(torch.mm(X, self.rand_weight) 1)X self.linear(X)while X.abs().sum() 1:X / 2
# 矩阵求和return X.sum()net FixedHiddenMLP()
net(X)tensor(-0.1869, grad_fnSumBackward0)混合搭配各种组合块
class NestMLP(nn.Module):def __init__(self):super().__init__()self.net nn.Sequential(nn.Linear(20, 64), nn.ReLU(),nn.Linear(64, 32), nn.ReLU())self.linear nn.Linear(32, 16)def forward(self, X):return self.linear(self.net(X))chimera nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)tensor(-0.1363, grad_fnSumBackward0)二、参数管理
在选择了架构并设置完超参数后我们就进入了训练阶段。此时我们的目标是找到损失函数最小的模型参数值。
# 首先关注具有单隐层的多层感知机
import torch
from torch import nn
# net[0] net[1] net[2]
net nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
X torch.rand(size(2, 4))
net(X)
tensor([[ 0.0699],[-0.0591]], grad_fnAddmmBackward)1.参数访问
当通过Sequential类定义模型时 我们可以通过索引来访问模型的任意层。 这就像模型是一个列表一样每层的参数都在其属性中。 如下所示我们可以检查第二个全连接层的参数
# net[2]为最后一个输出层
print(net[2].state_dict())目标参数
# 目标参数
# 访问具体参数
print(type(net[2].bias))
print(net[2].bias)
print(net[2].bias.data)参数是复合的对象包含值、梯度和额外信息。 这就是我们需要显式参数值的原因。
net[2].weight.grad None
# 未进行反向传播,所以没有梯度True一次性访问所有参数
# 访问第一个全连接层的参数
print(*[(name, param.shape) for name, param in net[0].named_parameters()])
# 访问所有层
print(*[(name, param.shape) for name, param in net.named_parameters()])
# ReLU没有参数(weight, torch.Size([8, 4])) (bias, torch.Size([8]))
(0.weight, torch.Size([8, 4])) (0.bias, torch.Size([8])) (2.weight, torch.Size([1, 8])) (2.bias, torch.Size([1]))# net 根据名字获取参数
net.state_dict()[2.bias].datatensor([0.1021])从嵌套块收集参数
def block1():return nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 4), nn.ReLU())
def block2():net nn.Sequential()for i in range(4):
# 向nn.Sequential中添加4个block1net.add_module(fblock {i}, block1())return netrgnet nn.Sequential(block2(), nn.Linear(4, 1))
rgnet(X)tensor([[-0.2192],[-0.2192]], grad_fnAddmmBackward)# 通过print了解网络结构
print(rgnet)Sequential((0): Sequential((block 0): Sequential((0): Linear(in_features4, out_features8, biasTrue)(1): ReLU()(2): Linear(in_features8, out_features4, biasTrue)(3): ReLU())(block 1): Sequential((0): Linear(in_features4, out_features8, biasTrue)(1): ReLU()(2): Linear(in_features8, out_features4, biasTrue)(3): ReLU())(block 2): Sequential((0): Linear(in_features4, out_features8, biasTrue)(1): ReLU()(2): Linear(in_features8, out_features4, biasTrue)(3): ReLU())(block 3): Sequential((0): Linear(in_features4, out_features8, biasTrue)(1): ReLU()(2): Linear(in_features8, out_features4, biasTrue)(3): ReLU()))(1): Linear(in_features4, out_features1, biasTrue)
)2.参数初始化
1.内置初始化
# _:表示替换函数
def init_normal(m):if type(m) nn.Linear:nn.init.normal_(m.weight, mean0, std0.01)nn.init.zeros_(m.bias)net.apply(init_normal)
net[0].weight.data[0], net[0].bias.data[0](tensor([0.0033, 0.0066, 0.0160, 0.0042]), tensor(0.))我们还可以将所有参数初始化为给定的常数
def init_constant(m):if type(m) nn.Linear:nn.init.constant_(m.weight, 1)nn.init.zeros_(m.bias)net.apply(init_constant)
net[0].weight.data[0], net[0].bias.data[0](tensor([1., 1., 1., 1.]), tensor(0.))对某些块应用不同的初始化方法
def xavier(m):if type(m) nn.Linear:nn.init.xavier_normal(m.weight)def init_42(m):if type(m) nn.Linear:nn.init.constant_(m.weight, 42)net[0].apply(xavier)
net[2].apply(init_42)
print(net[0].weight.data[0])
print(net[2].weight.data)tensor([ 0.6464, 0.5056, -0.7737, -0.7057])
tensor([[42., 42., 42., 42., 42., 42., 42., 42.]])2.自定义初始化 有时,深度学习框架没有需要的初始化方法,如下:
# 自定义初始化
def my_init(m):if type(m) nn.Linear:print(Init,*[(name, param.shape) for name, param in m.named_parameters()][0])nn.init.uniform_(m.weight, -10, 10)m.weight.data * m.weight.data.abs() 5net.apply(my_init)
net[0].weight[:2]Init weight torch.Size([8, 4])
Init weight torch.Size([1, 8])
tensor([[-0.0000, -0.0000, 0.0000, 0.0000],[ 6.8114, 0.0000, -7.4551, -9.6630]], grad_fnSliceBackward)也可以直接设置参数
net[0].weight.data[:] 1
net[0].weight.data[0, 0] 42
net[0].weight.data[0]3.参数绑定
# 参数绑定
shared nn.Linear(8, 8)
net nn.Sequential(nn.Linear(4, 8), nn.ReLU(), shared, nn.ReLU(), shared,nn.ReLU(), nn.Linear(8, 1))
net(X)
print(net[2].weight.data[0] net[4].weight.data[0])
net[2].weight.data[0, 0] 100
print(net[2].weight.data[0] net[4].weight.data[0])tensor([True, True, True, True, True, True, True, True])
tensor([True, True, True, True, True, True, True, True])三、自定义层
1.不带参数的层
import torch
import torch.nn.functional as F
from torch import nnclass CenteredLayer(nn.Module):def __init__(self):super().__init__()def forward(self, X):return X - X.mean()layer CenteredLayer()
layer(torch.FloatTensor([1, 2, 3, 4, 5]))tensor([-2., -1., 0., 1., 2.])将层作为组件合并到更复杂的模型中
# 将层作为组件合并到构建更复杂的模型中
net nn.Sequential(nn.Linear(8, 128), CenteredLayer())Y net(torch.rand(4, 8))
# print(Y)
Y.mean()tensor(3.2596e-09, grad_fnMeanBackward0)2.带参数的层
# 带参数的图层
class MyLinear(nn.Module):def __init__(self, in_units, units):super().__init__()self.weight nn.Parameter(torch.randn(in_units, units))self.bias nn.Parameter(torch.randn(units,))def forward(self, X):linear torch.matmul(X, self.weight.data) self.bias.datareturn F.relu(linear)dense MyLinear(5, 3)
dense.weightParameter containing:
tensor([[ 0.7481, 0.6183, 0.0382],[ 0.6040, 2.3991, 1.3484],[-0.3165, 0.0117, -0.4763],[-1.3920, 0.6106, 0.9668],[ 1.4701, 0.3283, -2.1701]], requires_gradTrue)# 使用自定义层直接执行正向传播计算
dense(torch.rand(2,5))
tensor([[1.5235, 2.6890, 0.0000], [0.9825, 0.3581, 0.0000]])
# 使用自定义层构建模型
net nn.Sequential(MyLinear(64, 8), MyLinear(8, 1))
net(torch.rand(2, 64))tensor([[11.0573], [25.9441]])
四、读写文件
有时我们希望保存训练的模型 以备将来在各种环境中使用比如在部署中进行预测。 此外当运行一个耗时较长的训练过程时 最佳的做法是定期保存中间结果 以确保在服务器电源被不小心断掉时不会损失几天的计算结果。
1.加载和保存张量
单个张量直接调用load和save进行读写
# 这两个函数都要求我们提供一个名称save要求将要保存的变量作为输入
import torch
from torch import nn
from torch.nn import functional as Fx torch.arange(4)
torch.save(x, x-file)# 将存储在文件中的数据读回内存
x2 torch.load(x-file)
x2tensor([0, 1, 2, 3]) 存储一个张量列表,读回内存
y torch.zeros(4)
torch.save([x, y], x-files)
x2, y2 torch.load(x-files)
(x2, y2)(tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.]))
写入或读取从字符串映射到张量的字典
# 写入或读取从字符串映射到张量的字
# 读取或写入模型中的所有权重时这很方便
mydict {x:x, y: y}
torch.save(mydict, mydict)
mydict2 torch.load(mydict)
mydict2{‘x’: tensor([0, 1, 2, 3]), ‘y’: tensor([0., 0., 0., 0.])}
2.加载和保存模型参数 # 深度学习框架提供了内置函数来保存和加载整个网络# 保存模型的参数而不是保存整个模型# 模型本身难以序列化为了恢复模型我们需要用代码生成架构class MLP(nn.Module):def __init__(self):super().__init__()self.hidden nn.Linear(20, 256)self.output nn.Linear(256, 10)def forward(self, x):return self.output(F.relu(self.hidden(x)))net MLP()X torch.randn(size(2, 20))Y net(X)将模型的参数存储在一个叫做“mlp.params”的文件中
# print(net.state_dict())
torch.save(net.state_dict(), mlp.params)# 恢复模型我们需要实例化原始多层感知机模型的一个备份
clone MLP()
clone.load_state_dict(torch.load(mlp.params))
# 从train模式调整为test模式
clone.eval()MLP( (hidden): Linear(in_features20, out_features256, biasTrue) (output): Linear(in_features256, out_features10, biasTrue) )
Y_clone clone(X)
Y_clone Ytensor([[True, True, True, True, True, True, True, True, True, True], [True, True, True, True, True, True, True, True, True, True]])
五、使用GPU
查看是否有GPU
!nvidia-smi计算设备
import torch
from torch import nntorch.device(cpu), torch.cuda.device(cuda)(device(typecpu), torch.cuda.device at 0x221b068ce50)查看可用gpu的数量
torch.cuda.device_count()1
这两个函数允许我们在请求的GPU不存在的情况下运行代码
def try_gpu(i0): #save如果存在则返回gpu(i)否则返回cpu()if torch.cuda.device_count() i 1:return torch.device(fcuda:{i})return torch.device(cpu)def try_all_gpus(): #save返回所有可用的GPU如果没有GPU则返回[cpu(),]devices [torch.device(fcuda:{i})for i in range(torch.cuda.device_count())]return devices if devices else [torch.device(cpu)]try_gpu(), try_gpu(10), try_all_gpus()(device(type‘cuda’, index0), device(type‘cpu’), [device(type‘cuda’, index0)])
查询张量所在的设备
x torch.tensor([1, 2, 3])
x.devicedevice(type‘cpu’)
# 存储在GPU上
X torch.ones(2, 3, devicetry_gpu())
Xtensor([[1., 1., 1.], [1., 1., 1.]], device‘cuda:0’)
# 第二个GPU上创建一个随机张量
Y torch.rand(2, 3, devicetry_gpu(1))
Ytensor([[0.0755, 0.4800, 0.4188], [0.7192, 0.1506, 0.8517]])
# 要计算XY我们需要决定在哪里执行这个操作
Z Y.cuda(0)
print(Y)
print(Z)tensor([[0.0755, 0.4800, 0.4188], [0.7192, 0.1506, 0.8517]]) tensor([[0.0755, 0.4800, 0.4188], [0.7192, 0.1506, 0.8517]], device‘cuda:0’)
# 现在数据在同一个GPU上我们可以将它们相加
X Ztensor([[1.0755, 1.4800, 1.4188], [1.7192, 1.1506, 1.8517]], device‘cuda:0’)
Z.cuda(0) is ZTrue
神经网络与GPU
net nn.Sequential(nn.Linear(3, 1))
net net.to(devicetry_gpu())net(X)tensor([[0.7477], [0.7477]], device‘cuda:0’, grad_fn)
# 确认模型参数存储在同一个GPU上
net[0].weight.data.devicedevice(type‘cuda’, index0)
[相关总结]
state_dict() torch.nn.Module模块中的state_dict可以用来存放训练过程中需要学习的权重和偏执系数,(模型参数,超参数,优化器等的状态信息),但是需要注意只有具有学习参数的层才有,比如:卷积层和线性层等
