Python与深度学习库PyTorch进阶
从零开始：PyTorch环境搭建与第一个神经网络
在进入深度学习的奇妙世界之前，首先需要准备好你的工具箱。想象一下，你是一位即将踏上旅程的探险家，而你的装备就是PyTorch——一个强大且灵活的深度学习框架。要开启这段冒险，你需要安装好PyTorch，并设置好开发环境。
安装PyTorch
安装PyTorch非常简单。你可以通过pip来安装最新版本的PyTorch。如果你使用的是GPU加速版本，可以这样安装：
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
如果你没有GPU，可以选择CPU版本：
pip install torch torchvision torchaudio
第一个神经网络
现在，让我们创建你的第一个神经网络。我们将从一个简单的全连接网络（也称为多层感知机）开始。这个网络将用于分类任务，比如识别手写数字。
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
# 数据预处理
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))
])
# 加载MNIST数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)
# 定义模型
class SimpleNN(nn.Module):
def __init__(self):
super(SimpleNN, self).__init__()
self.fc1 = nn.Linear(28 * 28, 128) # 输入层到隐藏层
self.relu = nn.ReLU() # 激活函数
self.fc2 = nn.Linear(128, 10) # 隐藏层到输出层
def forward(self, x):
x = x.view(-1, 28 * 28) # 展平图像
x = self.relu(self.fc1(x))
x = self.fc2(x)
return x
model = SimpleNN()
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 训练模型
num_epochs = 5
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(train_loader):
# 前向传播
outputs = model(images)
loss = criterion(outputs, labels)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (i+1) % 100 == 0:
print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item():.4f}')
# 测试模型
with torch.no_grad():
correct = 0
total = 0
for images, labels in test_loader:
outputs = model(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print(f'Accuracy of the model on the 10000 test images: {100 * correct / total:.2f}%')
在这个例子中，我们首先加载了MNIST数据集，并进行了标准化处理。接着定义了一个简单的两层全连接网络。训练过程中，我们使用了交叉熵损失函数和随机梯度下降优化器。最后，我们在测试集上评估了模型的准确率。
玩转张量：掌握PyTorch核心——Tensor操作全解析
如果说神经网络是深度学习的心脏，那么张量（Tensor）就是它的血液。理解如何操作张量对于构建高效的深度学习模型至关重要。我们可以把张量看作是多维数组，它不仅支持数值计算，还支持自动求导等高级功能。
创建张量
在PyTorch中，创建张量非常直观。以下是一些常见的创建方式：
import torch
# 创建一个全零张量
x = torch.zeros(3, 4)
print(x)
# 创建一个全一张量
y = torch.ones(2, 3)
print(y)
# 从列表创建张量
z = torch.tensor([[1, 2], [3, 4]])
print(z)
# 创建一个随机张量
random_tensor = torch.rand(2, 2)
print(random_tensor)
张量运算
张量之间的运算也非常简单。你可以进行加法、乘法等基本运算，还可以使用更复杂的数学函数。
# 张量加法
a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[5, 6], [7, 8]])
c = a + b
print(c)
# 张量乘法
d = a * b
print(d)
# 矩阵乘法
e = torch.mm(a, b.T) # 注意这里使用了转置
print(e)
# 使用更复杂的数学函数
f = torch.sin(a)
print(f)
自动求导
PyTorch的一个强大特性是自动求导。这使得你可以轻松地对张量进行梯度计算，这对于训练神经网络非常重要。
# 设置张量为可求导
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
# 定义一个简单的函数
y = x.sum()
print(y)
# 反向传播计算梯度
y.backward()
# 查看梯度
print(x.grad)
通过这些例子，你可以看到PyTorch中的张量操作是多么的直观和强大。熟练掌握这些操作将帮助你在构建复杂模型时更加得心应手。
模型构建的艺术：自定义神经网络层与模块
当你熟悉了基本的张量操作后，下一步就是构建更加复杂的神经网络。这就像是建筑师设计一座摩天大楼，每个楼层都有其特定的功能。在PyTorch中，你可以通过继承nn.Module类来定义自己的层和模块。
自定义层
假设我们要实现一个简单的卷积层。虽然PyTorch已经提供了现成的nn.Conv2d，但我们可以自己动手实现，以更好地理解其内部机制。
import torch
import torch.nn as nn
class CustomConv2d(nn.Module):
def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0):
super(CustomConv2d, self).__init__()
self.in_channels = in_channels
self.out_channels = out_channels
self.kernel_size = kernel_size
self.stride = stride
self.padding = padding
# 初始化权重和偏置
self.weight = nn.Parameter(torch.randn(out_channels, in_channels, kernel_size, kernel_size))
self.bias = nn.Parameter(torch.randn(out_channels))
def forward(self, x):
# 手动实现卷积操作
return torch.nn.functional.conv2d(x, self.weight, self.bias, self.stride, self.padding)
# 测试自定义卷积层
conv_layer = CustomConv2d(1, 16, 3, 1, 1)
input_data = torch.randn(1, 1, 28, 28)
output = conv_layer(input_data)
print(output.shape)
在这个例子中，我们定义了一个自定义的卷积层CustomConv2d，并手动实现了前向传播过程。虽然这比直接使用nn.Conv2d复杂一些，但它有助于你深入理解卷积操作的细节。
自定义模块
除了单个层，你还可以定义整个模块。例如，我们可以创建一个包含卷积层、激活函数和池化层的小模块。
class ConvBlock(nn.Module):
def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0):
super(ConvBlock, self).__init__()
self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)
self.relu = nn.ReLU()
self.pool = nn.MaxPool2d(2, 2)
def forward(self, x):
x = self.conv(x)
x = self.relu(x)
x = self.pool(x)
return x
# 测试自定义模块
conv_block = ConvBlock(1, 16, 3, 1, 1)
input_data = torch.randn(1, 1, 28, 28)
output = conv_block(input_data)
print(output.shape)
通过这种方式，你可以将多个层组合成一个模块，从而简化代码结构，提高代码的可读性和复用性。
训练秘籍：优化器、损失函数与训练循环的完美结合
有了精心设计的模型，接下来就是训练它了。训练一个深度学习模型就像是调教一只聪明的宠物狗，需要耐心、技巧和正确的工具。PyTorch提供了多种优化器和损失函数，可以帮助你高效地训练模型。
选择合适的优化器
PyTorch内置了许多常用的优化器，如SGD、Adam和RMSprop。不同的优化器适用于不同的场景。例如，SGD简单且易于理解，但可能收敛较慢；而Adam则结合了动量和自适应学习率，通常能更快地收敛。
import torch.optim as optim
# 定义模型
model = SimpleNN()
# 选择优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)
选择合适的损失函数
损失函数是衡量模型预测结果与真实值之间差异的重要工具。根据任务的不同，可以选择不同的损失函数。例如，分类任务常用交叉熵损失函数，回归任务常用均方误差损失函数。
# 选择损失函数
criterion = nn.CrossEntropyLoss()
训练循环
训练循环是模型训练的核心部分。它包括前向传播、计算损失、反向传播和参数更新。下面是一个完整的训练循环示例：
# 训练模型
num_epochs = 10
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(train_loader):
# 前向传播
outputs = model(images)
loss = criterion(outputs, labels)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (i+1) % 100 == 0:
print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item():.4f}')
在这个训练循环中，我们首先进行前向传播得到模型的输出，然后计算损失。接着，我们清空优化器的梯度缓存，执行反向传播计算梯度，并更新模型参数。每100步打印一次当前的损失值，以便观察训练过程。
学习率调度
为了进一步提高训练效果，可以使用学习率调度器动态调整学习率。例如，StepLR可以在指定的步骤降低学习率。
# 定义学习率调度器
scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.1)
# 在每个epoch结束后更新学习率
for epoch in range(num_epochs):
# 训练代码...
scheduler.step()
通过合理选择优化器、损失函数，并设计良好的训练循环，你可以有效地训练出高性能的深度学习模型。
实战演练：用PyTorch解决图像分类挑战
理论知识固然重要，但实践才是检验真理的唯一标准。现在，让我们通过一个实际的图像分类任务来巩固所学的知识。我们将使用CIFAR-10数据集，这是一个包含10类不同物体的图像数据集，非常适合用来练习图像分类。
数据准备
首先，我们需要加载CIFAR-10数据集，并进行必要的预处理。
import torchvision.transforms as transforms
from torchvision.datasets import CIFAR10
# 数据预处理
transform = transforms.Compose([
transforms.RandomHorizontalFlip(),
transforms.RandomCrop(32, padding=4),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])
# 加载CIFAR-10数据集
train_dataset = CIFAR10(root='./data', train=True, download=True, transform=transform)
test_dataset = CIFAR10(root='./data', train=False, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)
构建模型
接下来，我们构建一个稍微复杂一点的卷积神经网络（CNN），用于图像分类。
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.conv1 = nn.Conv2d(3, 32, kernel_size=3, padding=1)
self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
self.pool = nn.MaxPool2d(2, 2)
self.fc1 = nn.Linear(64 * 8 * 8, 512)
self.fc2 = nn.Linear(512, 10)
self.dropout = nn.Dropout(p=0.5)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 64 * 8 * 8)
x = F.relu(self.fc1(x))
x = self.dropout(x)
x = self.fc2(x)
return x
model = CNN()
训练模型
现在，我们可以使用前面介绍的训练循环来训练我们的模型。
# 选择优化器和损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()
# 训练模型
num_epochs = 20
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(train_loader):
# 前向传播
outputs = model(images)
loss = criterion(outputs, labels)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (i+1) % 100 == 0:
print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item():.4f}')
评估模型
训练完成后，我们还需要在测试集上评估模型的性能。
# 测试模型
with torch.no_grad():
correct = 0
total = 0
for images, labels in test_loader:
outputs = model(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print(f'Accuracy of the model on the 10000 test images: {100 * correct / total:.2f}%')
通过这个实战项目，你不仅可以加深对PyTorch的理解，还能积累宝贵的实践经验。希望你能在这个过程中发现深度学习的乐趣，并不断探索更多有趣的应用！
标签：进阶,nn,Python,self,torch,张量,PyTorch,print From： https://blog.csdn.net/master_chenchen/article/details/142851002嘿！欢迎光临我的小小博客天地——这里就是咱们畅聊的大本营！能在这儿遇见你真是太棒了！我希望你能感受到这里轻松愉快的氛围，就像老朋友围炉夜话一样温馨。
这里不仅有好玩的内容和知识等着你，还特别欢迎你畅所欲言，分享你的想法和见解。你可以把这里当作自己的家，无论是工作之余的小憩，还是寻找灵感的驿站，我都希望你能在这里找到属于你的那份快乐和满足。
让我们一起探索新奇的事物，分享生活的点滴，让这个小角落成为我们共同的精神家园。快来一起加入这场精彩的对话吧！无论你是新手上路还是资深玩家，这里都有你的位置。记得在评论区留下你的足迹，让我们彼此之间的交流更加丰富多元。期待与你共同创造更多美好的回忆！
欢迎来鞭笞我：master_chenchen
【内容介绍】
- 【算法提升】：算法思维提升，大厂内卷，人生无常，大厂包小厂，呜呜呜。卷到最后大家都是地中海。
- 【sql数据库】：当你在海量数据中迷失方向时，SQL就像是一位超级英雄，瞬间就能帮你定位到宝藏的位置。快来和这位神通广大的小伙伴交个朋友吧！
【微信小程序知识点】：小程序已经渗透我们生活的方方面面，学习了解微信小程序开发是非常有必要的，这里将介绍微信小程序的各种知识点与踩坑记录。- 【python知识】：它简单易学，却又功能强大，就像魔术师手中的魔杖，一挥就能变出各种神奇的东西。Python，不仅是代码的艺术，更是程序员的快乐源泉！
【AI技术探讨】：学习AI、了解AI、然后被AI替代、最后被AI使唤（手动狗头）
好啦，小伙伴们，今天的探索之旅就到这里啦！感谢你们一路相伴，一同走过这段充满挑战和乐趣的技术旅程。如果你有什么想法或建议，记得在评论区留言哦！要知道，每一次交流都是一次心灵的碰撞，也许你的一个小小火花就能点燃我下一个大大的创意呢！
最后，别忘了给这篇文章点个赞，分享给你的朋友们，让更多的人加入到我们的技术大家庭中来。咱们下次再见时，希望能有更多的故事和经验与大家分享。记住，无论何时何地，只要心中有热爱，脚下就有力量！
对了，各位看官，小生才情有限，笔墨之间难免会有不尽如人意之处，还望多多包涵，不吝赐教。咱们在这个小小的网络世界里相遇，真是缘分一场！我真心希望能和大家一起探索、学习和成长。虽然这里的文字可能不够渊博，但也希望能给各位带来些许帮助。如果发现什么问题或者有啥建议，请务必告诉我，让我有机会做得更好！感激不尽，咱们一起加油哦！
那么，今天的分享就到这里了，希望你们喜欢。接下来的日子里，记得给自己一个大大的拥抱，因为你真的很棒！咱们下次见，愿你每天都有好心情，技术之路越走越宽广！
