本篇文章給大家分享的是有關如何用PyTorch快速準確地建立神經網絡，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

你可能已經在社交媒體上看到過N次關于PyTorch和 TensorFlow的兩極分化的爭論。這些框架的普及推動了近年來深度學習的興起。二者都不乏堅定的支持者，但在過去的一年里，一個明顯的贏家已經開始出現。

PyTorch是2018年最流行的框架之一。它已迅速成為學術界和工業界研究人員的選深度學習框架。在過去幾周使用了PyTorch之后，我體會到它是一個非常靈活且易于使用的深度學習庫。

我們將不止學習理論-還包括編寫4個不同的用例，看看PyTorch的表現如何。建立深度學習模型從來沒有這么有趣過！

什么是PyTorch？

在深入研究PyTorch的實現之前，讓我們先了解一下PyTorch是什么，以及為什么它最近會變得如此流行。

PyTorch是一個基于Python的科學計算包，類似于NumPy，它具備GPU附加功能。與此同時，它也是一個深度學習框架，為實現和構建深層神經網絡體系結構提供了大程度的靈活性和速度。

最近發布的PyTorch 1.0幫助研究人員應對以下四大挑戰：

• 大面積的返工

• 耗時的訓練

• Python語言缺乏靈活性

• 慢速擴展

從本質上講，PyTorch與其他深度學習框架有兩個不同點：

• 命令式編程

• 動態計算圖

命令式編程：PyTorch在遍歷每一行代碼的同時執行計算，這與Python程序的執行方式非常類似，這一概念稱為命令式編程，它的大優點是可以動態地調試代碼和編程邏輯。

動態計算圖：PyTorch被稱為“由運行定義的”框架，這意味著計算圖結構(神經網絡體系結構)是在運行時生成的。該屬性的主要優點是：它提供了一個靈活的編程運行時接口，通過連接操作來方便系統的構建和修改。在PyTorch中，每個前向通路處定義一個新的計算圖，這與使用靜態圖的TensorFlow形成了鮮明的對比。

PyTorch2.0附帶了一個名為torch.jit的重要特性，它是一個高級編譯器，允許用戶分離模型和代碼。此外，它還支持在定制硬件(如GPU或TPU)上進行有效的模型優化。

用PyTorch構建神經網絡

讓我們通過一個實際案例來理解PyTorch。學習理論固然好，但是如果你不把它付諸實踐的話，它就沒有多大用處了！

神經網絡的PyTorch實現看起來與NumPy實現完全一樣。本節的目標是展示PyTorch和NumPy的等效性質。為此，讓我們創建一個簡單的三層網絡，在輸入層中有5個節點，在隱藏層中有3個節點，在輸出層中有1個節點。我們只使用一個帶有五個特征和一個目標的單行訓練示例。

import torch
n_input, n_hidden, n_output = 5, 3, 1

第一步是進行參數初始化。這里，每個層的權重和偏置參數被初始化為張量變量。張量是PyTorch的基本數據結構，用于建立不同類型的神經網絡。可以將它們當作是數組和矩陣的推廣，換句話說，張量是N維矩陣。

## initialize tensor for inputs, and outputs
x = torch.randn((1, n_input))
y = torch.randn((1, n_output))
## initialize tensor variables for weights
w1 = torch.randn(n_input, n_hidden) # weight for hidden layer
w2 = torch.randn(n_hidden, n_output) # weight for output layer
## initialize tensor variables for bias terms
b1 = torch.randn((1, n_hidden)) # bias for hidden layer
b2 = torch.randn((1, n_output)) # bias for output layer

在參數初始化完成之后，可以通過以下四個關鍵步驟來定義和訓練神經網絡：

• 前向傳播

• 損失計算

• 反向傳播

• 更新參數

讓我們更詳細地了解每一個步驟。

前向傳播：在這個步驟中，每個層都使用以下兩個公式計算激活流。這些激活流從輸入層流向輸出層，以生成最終輸出。

1. z = weight * input + bias
2. a = activation_function (z)

下面的代碼塊顯示了如何用PyTorch編寫這些步驟。請注意，大多數函數，如指數和矩陣乘法，均與NumPy中的函數相類似。

## sigmoid activation function using pytorch
def sigmoid_activationreturn 1 / (1 + torch.exp(-z))
## activation of hidden layer
z1 = torch.mm(x, w1) + b1
a1 = sigmoid_activation(z1)
## activation (output) of final layer
z2 = torch.mm(a1, w2) + b2
output = sigmoid_activation(z2)

損失計算：這一步在輸出層中計算誤差 (也稱為損失)。一個簡單的損失函數可以用來衡量實際值和預測值之間的差異。稍后，我們將查看PyTorch中可用的不同類型的損失函數。

loss = y - output

反向傳播：這一步的目的是通過對偏差和權重進行邊際變化，從而將輸出層的誤差降到最低，邊際變化是利用誤差項的導數計算出來的。

根據鏈規則的微積分原理，將增量變化返回到隱藏層，并對其權重和偏差進行相應的修正。通過對權重和偏差的調整，使得誤差最小化。

## function to calculate the derivative of activation
def sigmoid_deltareturn x * (1 - x)
## compute derivative of error terms
delta_output = sigmoid_delta(output)
delta_hidden = sigmoid_delta(a1)
## backpass the changes to previous layers
d_outp = loss * delta_output
loss_h = torch.mm(d_outp, w2.t())
d_hidn = loss_h * delta_hidden

更新參數：最后一步，利用從上述反向傳播中接收到的增量變化來對權重和偏差進行更新。

learning_rate = 0.1
w2 += torch.mm(a1.t(), d_outp) * learning_rate
w1 += torch.mm(x.t(), d_hidn) * learning_rate
b2 += d_outp.sum() * learning_rate
b1 += d_hidn.sum() * learning_rate

當使用大量訓練示例對多個歷元執行這些步驟時，損失將降至最小值。得到最終的權重和偏差值之后，用它對未知數據進行預測。

用例1：手寫數字分類

在上一節中，我們看到了用PyTorch編寫神經網絡的簡單用例。在本節中，我們將利用PyTorch提供的不同的實用程序包(nn、autograd、Optimm、torchvision、torchtext等)來建立和訓練神經網絡。

利用這些包可以方便地定義和管理神經網絡。在這個用例中，我們將創建一個多層感知器(MLP)網絡，用于構建手寫數字分類器。我們將使用torchvision包中的MNIST數據集。

與你將要從事的任何項目一樣，第一步是數據預處理：首先需要將原始數據集轉換為張量，并在固定范圍內將其歸一化。torchvision包提供了一個名為 transforms的實用程序，利用它可以將不同的轉換組合在一起。

from torchvision import transforms
_tasks = transforms.Compose([
   transforms.ToTensor(),
   transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
   ])

第一個轉換是將原始數據轉換為張量，第二個轉換是通過以下操作執行歸一化：

x_normalized = x-mean / std

數值為0.5，0.5表示紅色、綠色和藍色三個通道的均值和標準差。

from torchvision.datasets import MNIST
## Load MNIST Dataset and apply transformations
mnist = MNIST("data", download=True, train=True, transform=_tasks)

PyTorch的另一個出色的實用工具是DataLoader迭代器，它為多個處理器之間并行地批處理、搬移和加載數據提供了實現的可能。為了評估這個模型，我們將數據集劃分為訓練集和驗證集。

from torch.utils.data import DataLoader
from torch.utils.data.sampler import SubsetRandomSampler
## create training and validation split
split = int(0.8 * len(mnist))
index_list = list(range(len(mnist)))
train_idx, valid_idx = index_list[:split], index_list[split:]
## create sampler objects using SubsetRandomSampler
tr_sampler = SubsetRandomSampler(train_idx)
val_sampler = SubsetRandomSampler(valid_idx)
## create iterator objects for train and valid datasets
trainloader = DataLoader(mnist, batch_size=256, sampler=tr_sampler)
validloader = DataLoader(mnist, batch_size=256, sampler=val_sampler)

PyTorch中的神經網絡架構可以定義為一個類，這個類繼承了稱為Module的nn包的基礎類的所有屬性。來自nn.Module類的繼承使得我們可以輕松地實現、訪問和調用多個方法，還可以定義類的構造函數中的各個層，以及前向傳播步驟中的前向函數。

我們將定義一個具有以下層配置的網絡：[784，128，10]。此配置表示輸入層中有784個節點(28*28像素)、隱藏層中有128個節點，輸出層中有10個節點。在前向函數中，我們將在隱藏層(可以通過nn模塊訪問)中使用Sigmoid激活函數。

import torch.nn.functional as F
class Modeldef __init__784, 128)
       self.output = nn.Linear(128, 10)
  def forwardreturn x
model = Model()

利用nn和Optim包定義損失函數和優化器：

from torch import optim
loss_function = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, weight_decay= 1e-6, momentum = 0.9, nesterov = True)

現在已經準備好，可以開始訓練模型了，其核心步驟與前一節相同：前向傳播、損失計算、反向傳播和更新參數。

for epoch in range(1, 11): ## run the model for 10 epochs
   train_loss, valid_loss = [], []
   ## training part
   model.train()
   for data, target in trainloader:
       optimizer.zero_grad()
       ## 1. forward propagation
       output = model(data)
       ## 2. loss calculation
       loss = loss_function(output, target)
       ## 3. backward propagation
       loss.backward()
       ## 4. weight optimization
       optimizer.step()
       train_loss.append(loss.item())
   ## evaluation part
   model.eval()
   for data, target in validloader:
       output = model(data)
       loss = loss_function(output, target)
       valid_loss.append(loss.item())
   print ("Epoch:", epoch, "Training Loss: ", np.mean(train_loss), "Valid Loss: ", np.mean(valid_loss))
>> Epoch: 1  Training Loss:  0.645777 Valid Loss:  0.344971
>> Epoch: 2  Training Loss:  0.320241 Valid Loss:  0.299313
>> Epoch: 3  Training Loss:  0.278429 Valid Loss:  0.269018
>> Epoch: 4  Training Loss:  0.246289 Valid Loss:  0.237785
>> Epoch: 5  Training Loss:  0.217010 Valid Loss:  0.217133
>> Epoch: 6  Training Loss:  0.193017 Valid Loss:  0.206074
>> Epoch: 7  Training Loss:  0.174385 Valid Loss:  0.180163
>> Epoch: 8  Training Loss:  0.157574 Valid Loss:  0.170064
>> Epoch: 9  Training Loss:  0.144316 Valid Loss:  0.162660
>> Epoch: 10 Training Loss:  0.133053 Valid Loss:  0.152957

完成了模型的訓練之后，即可在驗證數據基礎上進行預測。

## dataloader for validation dataset
dataiter = iter(validloader)
data, labels = dataiter.next()
output = model(data)
_, preds_tensor = torch.max(output, 1)
preds = np.squeeze(preds_tensor.numpy())
print ("Actual:", labels[:10])
print ("Predicted:", preds[:10])
>>> Actual: [0 1 1 1 2 2 8 8 2 8]
>>> Predicted: [0 1 1 1 2 2 8 8 2 8]

用例2：物體圖像分類

現在讓我們更進一步。

在這個用例中，我們將在PyTorch中創建卷積神經網絡(CNN)架構，利用流行的CIFAR-10數據集進行物體圖像分類，此數據集也包含在torchvision包中。定義和訓練模型的整個過程將與以前的用例相同，唯一的區別只是在網絡中引入了額外的層。

加載并轉換數據集：

## load the dataset
from torchvision.datasets import CIFAR10
cifar = CIFAR10('data', train=True, download=True, transform=_tasks)
## create training and validation split
split = int(0.8 * len(cifar))
index_list = list(range(len(cifar)))
train_idx, valid_idx = index_list[:split], index_list[split:]
## create training and validation sampler objects
tr_sampler = SubsetRandomSampler(train_idx)
val_sampler = SubsetRandomSampler(valid_idx)
## create iterator objects for train and valid datasets
trainloader = DataLoader(cifar, batch_size=256, sampler=tr_sampler)
validloader = DataLoader(cifar, batch_size=256, sampler=val_sampler)

我們將創建三個用于低層特征提取的卷積層、三個用于大信息量提取的池化層和兩個用于線性分類的線性層。

class Modeldef __init__## define the layers
       self.conv1 = nn.Conv2d(3, 16, 3, padding=1)
       self.conv2 = nn.Conv2d(16, 32, 3, padding=1)
       self.conv3 = nn.Conv2d(32, 64, 3, padding=1)
       self.pool = nn.MaxPool2d(2, 2)
       self.linear1 = nn.Linear(1024, 512)
       self.linear2 = nn.Linear(512, 10)
   def forward-1, 1024) ## reshaping
       x = F.relu(self.linear1(x))
       x = self.linear2(x)
       return x
model = Model()

定義損失函數和優化器：

import torch.optim as optim
loss_function = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, weight_decay= 1e-6, momentum = 0.9, nesterov = True)
## run for 30 Epochs
for epoch in range(1, 31):
   train_loss, valid_loss = [], []
   ## training part
   model.train()
   for data, target in trainloader:
       optimizer.zero_grad()
       output = model(data)
       loss = loss_function(output, target)
       loss.backward()
       optimizer.step()
       train_loss.append(loss.item())
   ## evaluation part
   model.eval()
   for data, target in validloader:
       output = model(data)
       loss = loss_function(output, target)
       valid_loss.append(loss.item())

完成了模型的訓練之后，即可在驗證數據基礎上進行預測。

## dataloader for validation dataset
dataiter = iter(validloader)
data, labels = dataiter.next()
output = model(data)
_, preds_tensor = torch.max(output, 1)
preds = np.squeeze(preds_tensor.numpy())
print ("Actual:", labels[:10])
print ("Predicted:", preds[:10])
Actual: ['truck', 'truck', 'truck', 'horse', 'bird', 'truck', 'ship', 'bird', 'deer', 'bird']
Pred:   ['truck', 'automobile', 'automobile', 'horse', 'bird', 'airplane', 'ship', 'bird', 'deer', 'bird']

用例3：情感文本分類

我們將從計算機視覺用例轉向自然語言處理，目的是展示PyTorch在不同領域的不同應用。

在本節中，我們將利用基于RNN（遞歸神經網絡）和LSTM（長短期記憶）層的Pyotch來完成文本分類任務。首先，加載包含兩個字段（文本和目標）的數據集。目標包含兩個類：class1和class2，我們的任務是將每個文本分為其中一個類。

可以在下面的鏈接中下載數據集。

https://s3-ap-south-1.amazonaws.com/av-blog-media/wp-content/uploads/2019/01/train.csv

train = pd.read_csv("train.csv")
x_train = train["text"].values
y_train = train['target'].values

強烈建議在編碼之前先設置種子，它可以保證你看到的結果與我的相同-這是在學習新概念時非常有用(也很有益)的特征。

np.random.seed(123)
torch.manual_seed(123)
torch.cuda.manual_seed(123)
torch.backends.cudnn.deterministic = True

在預處理步驟中，首先將文本數據轉換為tokens序列，之后便可以將其傳遞到嵌入層。我將利用Keras包中提供的實用程序來進行預處理，利用torchtext包也同樣可以實現。

from keras.preprocessing import text, sequence
## create tokens
tokenizer = Tokenizer(num_words = 1000)
tokenizer.fit_on_texts(x_train)
word_index = tokenizer.word_index
## convert texts to padded sequences
x_train = tokenizer.texts_to_sequences(x_train)
x_train = pad_sequences(x_train, maxlen = 70)

接下來，需要將tokens轉換成向量。為此，利用預先訓練過的GloVe詞嵌入。我們將加載這些單詞嵌入，并創建一個包含單詞向量的嵌入矩陣。

GloVe：

https://github.com/stanfordnlp/GloVe

EMBEDDING_FILE = 'glove.840B.300d.txt'
embeddings_index = {}
for i, line in enumerate(open(EMBEDDING_FILE)):
   val = line.split()
   embeddings_index[val[0]] = np.asarray(val[1:], dtype='float32')
embedding_matrix = np.zeros((len(word_index) + 1, 300))
for word, i in word_index.items():
   embedding_vector = embeddings_index.get(word)
   if embedding_vector is not None:
       embedding_matrix[i] = embedding_vector

使用嵌入層和LSTM層定義模型架構：

class Modeldef __init__## Embedding Layer, Add parameter
       self.embedding = nn.Embedding(max_features, embed_size)
       et = torch.tensor(embedding_matrix, dtype=torch.float32)
       self.embedding.weight = nn.Parameter(et)
       self.embedding.weight.requires_grad = False
       self.embedding_dropout = nn.Dropout2d(0.1)
       self.lstm = nn.LSTM(300, 40)        
       self.linear = nn.Linear(40, 16)
       self.out = nn.Linear(16, 1)
       self.relu = nn.ReLU()
  def forward1)        
       linear = self.relu(self.linear(max_pool))
       out = self.out(linear)
       return out
model = Model()

創建訓練和驗證集：

from torch.utils.data import TensorDataset
## create training and validation split
split_size = int(0.8 * len(train_df))
index_list = list(range(len(train_df)))
train_idx, valid_idx = index_list[:split], index_list[split:]
## create iterator objects for train and valid datasets
x_tr = torch.tensor(x_train[train_idx], dtype=torch.long)
y_tr = torch.tensor(y_train[train_idx], dtype=torch.float32)
train = TensorDataset(x_tr, y_tr)
trainloader = DataLoader(train, batch_size=128)
x_val = torch.tensor(x_train[valid_idx], dtype=torch.long)
y_val = torch.tensor(y_train[valid_idx], dtype=torch.float32)
valid = TensorDataset(x_val, y_val)
validloader = DataLoader(valid, batch_size=128)

定義損失和優化器：

loss_function = nn.BCEWithLogitsLoss(reduction='mean')

optimizer = optim.Adam(model.parameters())

訓練模型：

## run for 10 Epochs
for epoch in range(1, 11):
   train_loss, valid_loss = [], []
## training part
   model.train()
   for data, target in trainloader:
       optimizer.zero_grad()
       output = model(data)
       loss = loss_function(output, target.view(-1,1))
       loss.backward()
       optimizer.step()
       train_loss.append(loss.item())
   ## evaluation part
   model.eval()
   for data, target in validloader:
       output = model(data)
       loss = loss_function(output, target.view(-1,1))
       valid_loss.append(loss.item())

最后得到預測結果：

dataiter = iter(validloader)
data, labels = dataiter.next()
output = model(data)
_, preds_tensor = torch.max(output, 1)
preds = np.squeeze(preds_tensor.numpy())
Actual: [0 1 1 1 1 0 0 0 0]
Predicted: [0 1 1 1 1 1 1 1 0 0]

用例4：圖像樣式遷移

讓我們來看最后一個用例，在這里我們將執行圖形樣式的遷移。這是我經歷過的最有創意的項目之一，希望你也能玩得開心。樣式遷移概念背后的基本理念是：

• 從一幅圖像中獲取對象/內容

• 從另一幅圖像中獲取樣式/紋理

• 生成二者混合的最終圖像

“利用卷積網絡進行圖像樣式遷移”這篇論文中對這一概念做了介紹，樣式遷移的一個例子如下：

太棒了，對吧？讓我們看看它在PyTorch中是如何實現的。這一進程包括六個步驟：

• 從兩個輸入圖像中提取低層特征。這可以使用VGG 19這樣的預訓練的深度學習模型。

from torchvision import models
# get the features portion from VGG19
vgg = models.vgg19(pretrained=True).features

# freeze all VGG parameters
for param in vgg.parameters():
   param.requires_grad_(False)
# check if GPU is available
device = torch.device("cpu")
if torch.cuda.is_available():
   device = torch.device("cuda")
vgg.to(device)

• 將這兩幅圖像加載到設備上，并從VGG中獲取特征。另外，也可以應用以下轉換：調整張量的大小，以及值的歸一化。

from torchvision import transforms as tf
def transformation400), tf.ToTensor(),
              tf.Normalize((0.44,0.44,0.44),(0.22,0.22,0.22))])
   img = tasks(img)[:3,:,:].unsqueeze(0)    
   return img
img1 = Image.open("image1.jpg").convert('RGB')
img2 = Image.open("image2.jpg").convert('RGB')
img1 = transformation(img1).to(device)
img2 = transformation(img2).to(device)

• 現在，我們需要獲得這兩幅圖像的相關特征。從第一個圖像中，我們需要提取內容或與存在的對象相關的特征；從第二張圖像中，我們需要提取與樣式和紋理相關的特征。

對象相關特征：在最初的文章中，作者建議可以從網絡的初始層中提取更有價值的對象和內容，這是因為在較高層上，信息空間變得更為復雜，像素信息細節在高層往往會丟失。

樣式相關特征：為了從第二幅圖像中獲取樣式和紋理信息，作者在不同層次上使用了不同特征之間的相關性，下文第4點對此作了詳細解釋。

在實現這一目標之前，讓我們來看看一個典型的VGG 19模型的結構：

對象信息提取用到的是CONV42層，它位于第4個卷積塊中，深度為512。對于樣式的表達，用到的層是網絡中每個卷積塊的第一卷積層，即CONV11、CONV21、CONV31、CONV41和CONV51，這些層的選取純粹是根據作者的經驗來做出選擇，我僅在本文中復制它們的結果。

def get_features'0': 'conv1_1', '5': 'conv2_1',  '10': 'conv3_1',
             '19': 'conv4_1', '21': 'conv4_2', '28': 'conv5_1'}
   x = image
   features = {}
   for name, layer in model._modules.items():
       x = layer(x)
       if name in layers:
           features[layers[name]] = x    
   return features
img1_features = get_features(img1, vgg)
img2_features = get_features(img2, vgg)

• 正如前面提到的，作者使用不同層次的相關性來獲得與樣式相關的特征。這些特征的相關性由Gram矩陣G給出，其中G中的每個單元(i,j)都是層中向量特征映射i和j之間的內積。

def correlation_matrixreturn correlation
correlations = {l: correlation_matrix(img2_features[l]) for l in
                                                   img2_features}

• 最終，可以利用這些特征和相關性進行樣式轉換。現在，為了將樣式從一個圖像轉換到另一個圖像，需要設置用于獲取樣式特征的每一層的權重。如上所述，由于初始層提供了更多的信息，因此可以為初始層設置更高的權重。此外，定義優化器函數和目標圖像，也即是圖像1的副本。

weights = {'conv1_1': 1.0, 'conv2_1': 0.8, 'conv3_1': 0.25,
          'conv4_1': 0.21, 'conv5_1': 0.18}

target = img1.clone().requires_grad_(True).to(device)
optimizer = optim.Adam([target], lr=0.003)

• 啟動損失最小化處理過程：即在循環中運行大量步驟，來計算與對象特征提取和樣式特征提取相關的損失。利用最小化后的損失，更新網絡參數，進一步修正目標圖像。經過一些迭代之后，將生成更新后的圖像。

for ii in range(1, 2001):
   ## calculate the content loss (from image 1 and target)
   target_features = get_features(target, vgg)
   loss = target_features['conv4_2'] - img1_features['conv4_2']
   content_loss = torch.mean((loss)**2)
   ## calculate the style loss (from image 2 and target)
   style_loss = 0

   for layer in weights:
       target_feature = target_features[layer]
       target_corr = correlation_matrix(target_feature)
       style_corr = correlations[layer]
       layer_loss = torch.mean((target_corr - style_corr)**2)
       layer_loss *= weights[layer]
       _, d, h, w = target_feature.shape
       style_loss += layer_loss / (d * h * w)
   total_loss = 1e6 * style_loss + content_loss
   optimizer.zero_grad()
   total_loss.backward()
   optimizer.step()

最后，我們可以看到預測的結果，在這里我只運行了一小部分迭代，還可以運行多達3000次迭代(如果計算資源足夠多的話！)。

def tensor_to_image"cpu").clone().detach()
   image = image.numpy().squeeze()
   image = image.transpose(1, 2, 0)
   image *= np.array((0.22, 0.22, 0.22))
                      + np.array((0.44, 0.44, 0.44))
   image = image.clip(0, 1)
   return image
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(20, 10))
ax1.imshow(tensor_to_image(img1))
ax2.imshow(tensor_to_image(target))

以上就是如何用PyTorch快速準確地建立神經網絡，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注創新互聯-成都網站建設公司行業資訊頻道。