pytorch 代码练习

  • pytorch 代码练习

目录

一、pytorch基础练习

PyTorch是一个python库，它主要提供了两个高级功能：

  • GPU加速的张量计算
  • 构建在反向自动求导系统上的深度神经网络

定义数据使用torch.Tensor ， tensor的意思是张量，是数字各种形式的总称

  • 可以定义数、向量、二维数组和张量。
import torch
# 可以是一个数
x = torch.tensor(666)
print(x)
# 可以是一维数组（向量）
x = torch.tensor([1,2,3,4,5,6])
print(x)
# 可以是二维数组（矩阵）
x = torch.ones(2,3)
print(x)
# 可以是任意维度的数组（张量）
x = torch.ones(2,3,4)
print(x)

  • Tensor支持各种各样类型的数据，包括：

    torch.float32, torch.float64, torch.float16, torch.uint8, torch.int8, torch.int16, torch.int32, torch.int64 。

    可以使用empty、rand、zeros、new_ones、randn_like等函数初始化张量，并使用dtype改变数据类型。

# 创建一个空张量
x = torch.empty(5,3)
print(x)
# 创建一个随机初始化的张量
x = torch.rand(5,3)
print(x)
# 创建一个全0的张量，里面的数据类型为 long
x = torch.zeros(5,3,dtype=torch.long)
print(x)
# 基于现有的tensor，创建一个新tensor，
# 从而可以利用原有的tensor的dtype，device，size之类的属性信息
y = x.new_ones(5,3)   #tensor new_* 方法，利用原来tensor的dtype，device
print(y)
z = torch.randn_like(x, dtype=torch.float)    # 利用原来的tensor的大小，但是重新定义了dtype
print(z)

  • 用Tensor来进行的计算

    • 基本运算，加减乘除，求幂求余
    • 布尔运算，大于小于，最大最小
    • 线性运算，矩阵乘法，求模，求行列式

    基本运算包括： abs/sqrt/div/exp/fmod/pow ，及一些三角函数 cos/ sin/ asin/ atan2/ cosh，及 ceil/round/floor/trunc 等

    布尔运算包括： gt/lt/ge/le/eq/ne，topk, sort, max/min

    线性计算包括： trace, diag, mm/bmm，t，dot/cross，inverse，svd 等

    其中的方法与Python语法几乎一致。

# 创建一个 2x4 的tensor
m = torch.Tensor([[2, 5, 3, 7],
                  [4, 2, 1, 9]])
#这里使用强制类型转换，使得其转换成int
m.long()
print(m.size(0), m.size(1), m.size(), sep=' -- ')
# 返回 m 中元素的数量
print(m.numel())
# 返回 第0行，第2列的数
print(m[0][2])
tensor(3.)
# 返回 第1列的全部元素
print(m[:, 1])
tensor([5., 2.])
# 返回 第0行的全部元素
print(m[0, :])
# Create tensor of numbers from 1 to 5
# 注意这里结果是1到4，没有5,由于tensor的类型为float，这里把v数据类型改为float
v = torch.arange(1, 5,dtype=torch.float)
print(v)
tensor([1, 2, 3, 4])

张量m的数据类型为float，与v进行内积时，需要将v数据类型改为float，这样才能进行运算进行内积（点乘）

image-20211006115125927

可以抽取一行进行内积。

image-20211006115437941

  • 支持向量的内积、矩阵转置等，算术运算有广播机制。
# Scalar product
m @ v
# Calculated by 1*2 + 2*5 + 3*3 + 4*7
m[[0], :] @ v

# Add a random tensor of size 2x4 to m
m + torch.rand(2, 4)

# 转置，由 2x4 变为 4x2
print(m.t())

# 使用 transpose 也可以达到相同的效果，具体使用方法可以百度
print(m.transpose(0, 1))

# returns a 1D tensor of steps equally spaced points between start=3, end=8 and steps=20
torch.linspace(3, 8, 20)
  • 可结合matplotlib使用，使用matplotlib时，需要将Tensor转换成Numpy的ndarry数据(使用.numpy()方法)，再进行显示。
from matplotlib import pyplot as plt

# matlabplotlib 只能显示numpy类型的数据，下面展示了转换数据类型，然后显示
# 注意 randn 是生成均值为 0， 方差为 1 的随机数
# 下面是生成 1000 个随机数，并按照 100 个 bin 统计直方图
plt.hist(torch.randn(1000).numpy(), 100);

# 当数据非常非常多的时候，正态分布会体现的非常明显
plt.hist(torch.randn(10**6).numpy(), 100);

image-20211005231543718image-20211005231607163

  • 此外还支持张量的拼接等。

二、 螺旋数据分类

​ 这里生成了三种类型的二维数据，每类样本都有1000个，使用两种方法对这三种类型的数据进行分类，第一种方法是通过构建线性模型分类，不加入激活函数（即不具有非线性分类能力，只能进行线性分类）。第二种方法是通过构建两层神经网络分类，与第一种相比加入了激活函数。（即加入了非线性分类能力）

  1. 下载plot_lib绘图库到本地，里面有画点的过程中要用到里面的一些函数。

    !wget https://raw.githubusercontent.com/Atcold/pytorch-Deep-Learning/master/res/plot_lib.py

  2. 引入基本的库，初始化参数。

    import random
import torch
from torch import nn, optim
import math
from IPython import display
from plot_lib import plot_data, plot_model, set_default

# 因为colab是支持GPU的，torch 将在 GPU 上运行
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print('device: ', device)

# 初始化随机数种子。神经网络的参数都是随机初始化的，
# 不同的初始化参数往往会导致不同的结果，当得到比较好的结果时我们通常希望这个结果是可以复现的，
# 因此，在pytorch中，通过设置随机数种子也可以达到这个目的
seed = 12345
random.seed(seed)
torch.manual_seed(seed)

N = 1000  # 每类样本的数量
D = 2  # 每个样本的特征维度
C = 3  # 样本的类别
H = 100  # 神经网络里隐层单元的数量

  3. 对数据进行初始化，三类的点，X中存储的是点的坐标，X的为一个 NxC （即1000X3）行， D(即2) 列的矩阵。C 类样本，每类样本是 N个，所以是 N*C 行。每个样本的特征维度是2，所以是 2列。

    X = torch.zeros(N * C, D).to(device)
Y = torch.zeros(N * C, dtype=torch.long).to(device)
for c in range(C):
    index = 0
    t = torch.linspace(0, 1, N) # 在[0，1]间均匀的取10000个数，赋给t
    # 下面的代码不用理解太多，总之是根据公式计算出三类样本（可以构成螺旋形）
    # torch.randn(N) 是得到 N 个均值为0，方差为 1 的一组随机数，注意要和 rand 区分开
    inner_var = torch.linspace( (2*math.pi/C)*c, (2*math.pi/C)*(2+c), N) + torch.randn(N) * 0.2
    
    # 每个样本的(x,y)坐标都保存在 X 里
    # Y 里存储的是样本的类别，分别为 [0, 1, 2]
    for ix in range(N * c, N * (c + 1)):
        X[ix] = t[index] * torch.FloatTensor((math.sin(inner_var[index]), math.cos(inner_var[index])))
        Y[ix] = c
        index += 1

print("Shapes:")
print("X:", X.size())
print("Y:", Y.size())

  4. 使用plot_lib的plot_data函数可以显示图象。

    # visualise the data
plot_data(X, Y)

至此，数据准备完毕。

此后：使用上述的两种方法，使用nn包建立模型，使用交叉熵验证模型的损失，并计算正确率。

  1. 构建线性模型

    learning_rate = 1e-3
lambda_l2 = 1e-5

# nn 包用来创建线性模型
# 每一个线性模型都包含 weight 和 bias
model = nn.Sequential(
    nn.Linear(D, H),
    nn.Linear(H, C)
)
model.to(device) # 把模型放到GPU上

# nn 包含多种不同的损失函数，这里使用的是交叉熵（cross entropy loss）损失函数
criterion = torch.nn.CrossEntropyLoss()

# 这里使用 optim 包进行随机梯度下降(stochastic gradient descent)优化
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, weight_decay=lambda_l2)

# 开始训练
for t in range(1000):
    # 把数据输入模型，得到预测结果
    y_pred = model(X)
    # 计算损失和准确率
    loss = criterion(y_pred, Y)
    score, predicted = torch.max(y_pred, 1)
    acc = (Y == predicted).sum().float() / len(Y)
    print('[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f' % (t, loss.item(), acc))
    display.clear_output(wait=True)

    # 反向传播前把梯度置 0 
    optimizer.zero_grad()
    # 反向传播优化 
    loss.backward()
    # 更新全部参数
    optimizer.step()

    print(y_pred.shape)
print(y_pred[10, :])
print(score[10])
print(predicted[10])

    ​ 使用 print(y_pred.shape) 可以看到模型的预测结果，为[3000, 3]的矩阵。每个样本的预测结果为3个，保存在 y_pred 的一行里。值最大的一个，即为预测该样本属于的类别

    ​ score, predicted = torch.max(y_pred, 1) 是沿着第二个方向（即X方向）提取最大值。最大的那个值存在 score 中，所在的位置（即第几列的最大）保存在 predicted 中。

    ​ 此外，每一次反向传播前，都要把梯度清零，这是因为默认情况下会将梯度叠加，梯度清零有利于后续继续进行反向传播。

  2. 构建双层神经网络模型

    learning_rate = 1e-3
lambda_l2 = 1e-5

# 这里可以看到，和上面模型不同的是，在两层之间加入了一个 ReLU 激活函数
model = nn.Sequential(
    nn.Linear(D, H),
    nn.ReLU(),   #与1代码块的唯一区别，加入了激活函数
    nn.Linear(H, C)
)
model.to(device)

# 下面的代码和之前是完全一样的，这里不过多叙述
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate, weight_decay=lambda_l2) # built-in L2

# 训练模型，和之前的代码是完全一样的
for t in range(1000):
    y_pred = model(X)
    loss = criterion(y_pred, Y)
    score, predicted = torch.max(y_pred, 1)
    acc = ((Y == predicted).sum().float() / len(Y))
    print("[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f" % (t, loss.item(), acc))
    display.clear_output(wait=True)
    
    # zero the gradients before running the backward pass.
    optimizer.zero_grad()
    # Backward pass to compute the gradient
    loss.backward()
    # Update params
    optimizer.step()

  3. 结果比较

    • 这是使用第一种方法（构建线性模型）得出的最后结果

      image-20211005234135011

      上面使用 print(model) 把模型输出，可以看到有两层：

      • 第一层输入为 2（因为特征维度为主2），输出为 100；
      • 第二层输入为 100 （上一层的输出），输出为 3（类别数）

      从上面图示可以看出，线性模型的准确率最高只能达到 50% 左右，对于这样复杂的一个数据分布，线性模型难以实现准确分类。

    • 这是使用第二种方法（构建双层神经网络模型）得出的最后结果

      image-20211005234429443

  4. 模型可视化后比较

    • 这是这是使用第一种方法（构建线性模型）得出的模型可视化结果

    • 这是这是使用第二种方法（构建双层神经网络模型）得出的模型可视化结果

      image-20211005234601399

      可以看出，加入了激活函数ReLU之后，可以解决非线性问题。在两层神经网络里加入 ReLU 激活函数以后，分类的准确率得到了显著提高。

posted @ 2021-10-06 11:14  ZQFive  阅读(240)  评论(0)    收藏  举报