Note
Click here to download the full example code
基础知识 || 快速入门 || 张量 || 数据集与数据加载器 || Transforms || 构建神经网络 || 自动微分 || 优化模型参数 || 保存和加载模型
快速入门¶
本节将介绍机器学习任务中常用的API。想更深入了解各模块内容,可参考每节文末处的链接。
处理数据¶
PyTorch 提供了两个用于 处理数据的原语<https://pytorch.org/docs/stable/data.html>: torch.utils.data.DataLoader 和 torch.utils.data.Dataset。`Dataset`存储样本及其对应的标签,而`DataLoader`则在`Dataset`外部封装一层,变为可迭代对象。
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
PyTorch 提供了特定领域的库,例如 [TorchText](https://pytorch.org/text/stable/index.html), [TorchVision](https://pytorch.org/vision/stable/index.html),和 [TorchAudio](https://pytorch.org/audio/stable/index.html), 所有这些库都包含了对应数据集。在本教程中,我们将使用 TorchVision 数据集。
# `torchvision.datasets` 模块包含许多现实世界视觉数据`Dataset`,例如 CIFAR、COCO
# ([数据集列表](https://pytorch.org/vision/stable/datasets.html))。
# 在本教程中,我们使用 `FashionMNIST`数据集。每个TorchVision `Dataset`包括两个参数:`transform` 和 `target_transform`,分别用于修改样本数据和标签。
# Download training data from open datasets.
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
)
# Download test data from open datasets.
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor(),
)
我们将 Dataset 作为参数传递给 DataLoader,在数据集上封装了一个可迭代对象, 支持自动批处理、采样、打乱和多进程数据加载。这里我们定义一个批处理大小为 64, 即 dataloader 每批将返回大小为 64 的特征数据和标签。
batch_size = 64
# Create data loaders.
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)
for X, y in test_dataloader:
print(f"Shape of X [N, C, H, W]: {X.shape}")
print(f"Shape of y: {y.shape} {y.dtype}")
break
获取更多关于 `PyTorch数据加载<data_tutorial.html>`的信息。
创建模型¶
要在 PyTorch 中定义一个神经网络,我们需要创建一个继承自 nn.Module<https://pytorch.org/docs/stable/generated/torch.nn.Module.html> 的类。 我们在 `__init__ 函数中定义网络的层,并在 forward 函数中指定数据如何经过网络。为了加速神经网络中的运算, 我们将其移到 GPU 或 MPS(如果可用)上。
# Get cpu, gpu or mps device for training.
device = (
"cuda"
if torch.cuda.is_available()
else "mps"
if torch.backends.mps.is_available()
else "cpu"
)
print(f"Using {device} device")
# Define model
class NeuralNetwork(nn.Module):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10)
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NeuralNetwork().to(device)
print(model)
获取更多关于 `PyTorch构建神经网络<buildmodel_tutorial.html>`的内容。
优化模型参数¶
练一个模型,我们需要一个`损失函数`<https://pytorch.org/docs/stable/nn.html#loss-functions> 和一个`优化器`https://pytorch.org/docs/stable/optim.html>。
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
在单个训练循环中,模型对训练数据集(分批输入)进行预测,并通过反向传播预测误差来调整模型的参数。
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
model.train()
for batch, (X, y) in enumerate(dataloader):
X, y = X.to(device), y.to(device)
# Compute prediction error
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
loss.backward()
optimizer.step()
optimizer.zero_grad()
if batch % 100 == 0:
loss, current = loss.item(), (batch + 1) * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
我们还需检查模型在测试数据集上的效果,以确保它在持续学习。
def test(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
model.eval()
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X, y = X.to(device), y.to(device)
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(
f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
通过多次迭代(epochs)进行训练。在每个迭代过程中,模型通过对参数的学习以提高预测准确性。 我们在每个 epoch 打印模型的准确率和损失;我们希望看到随着每个 epoch 训练,模型预测准确率不断提高, 损失逐渐减少。
epochs = 5
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train(train_dataloader, model, loss_fn, optimizer)
test(test_dataloader, model, loss_fn)
print("Done!")
Read more about Training your model. 获取更多关于 `训练模型 <optimization_tutorial.html>`的内容。
保存模型¶
保存模型的常见方法是将内部状态字典(包含模型参数)序列化。
torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")
加载模型¶
加载模型的过程包括重新创建模型结构并加载其内部状态字典。
model = NeuralNetwork().to(device)
model.load_state_dict(torch.load("model.pth"))
这个模型现在可以用来进行预测了。
classes = [
"T-shirt/top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
]
model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
x = x.to(device)
pred = model(x)
predicted, actual = classes[pred[0].argmax(0)], classes[y]
print(f'Predicted: "{predicted}", Actual: "{actual}"')
获取更多有关 `保存和加载模型 <saveloadrun_tutorial.html>`的内容。
Total running time of the script: ( 0 minutes 0.000 seconds)