速学10分钟让你了解PyTorch框架（附代码）

Posted 2021-05-02 Major术业

导  读

由于使用了强大的GPU加速的Tensor计算（类似numpy）和基于tape的autograd系统的深度神经网络，PyTorch成为了深度学习者们口中的新流行框架。许多新的论文在发表过程中都加入了PyTorch代码。本文作者10分钟带你了解PyTorch代码。

---

#小M说#

---

【作者】Hamidereza saghir 

【编译】小M

本文共 1141 字，阅读需 10 分钟

PyTorch 构 成

PyTorch由以下4个主要包组成：

1）Torch：一个类似于Numpy的通用数组库，可以将张量类型转换为（torch.cuda.TensorFloat）并在GPU上进行计算；

2）torch.autograd：用于构建计算图形并自动获取梯度；

3）torch.nn：具有共同层和成本函数的神经网络库；

4）torch.optim：具有通用优化算法（如SGD，Adam等）的优化包。

你可以这样导入PyTorch：

PyTorch 特 点

1. torch数组取代numpy ndarray ，可在GPU支持下提供线性代数

PyTorch提供了一个像Numpy数组一样的多维数组。当数据类型转换为三维数组（torch.cuda.TensorFloat）时即可以在GPU上进行处理，这个数组及它的关联函数都是一般的科学计算工具。这极大的提高了GPU的利用效率。

大家可以比较Torch和numpy并了解它们之间的关系。

2. torch.autograd可以生成一个计算图 ，自动计算梯度

autograd包提供了定义计算图的能力，这使得我们可以自动计算渐变梯度。在计算图中，一个节点是一个数组，边（edge）是on数组的一个操作。

要做一个计算图，我们需要（torch.aurograd.Variable（））函数中打包数组来创建一个节点。我们对这个节点上所做的所有操作都将被定义为边，它们将成为计算图中新的节点。图中的每个节点都有一个（node.data）属性，它是一个多维数组和一个（node.grad）属性，这是相对于一些标量值的梯度（node.grad也是一个.Variable（）） 。在定义计算图之后，我们可以使用单个命令（loss.backward（））来计算图中所有节点的损耗梯度。

• 使用torch.autograd.Variable（）将张量转换为计算图中的节点。

•     使用x.data访问其值。

•     使用x.grad访问其梯度。

• 在.Variable（）上执行操作，绘制图形的边缘。

3. torch.nn包含多种NN层（张量行的线性映射）+（非线性）

torch.nn是高级神经网络库，帮助构建神经网络计算图，避免手动操纵张量和参数的麻烦。

torch.nn抽象出了神经网络层中的所有参数处理，在使用一些命令（如torch.nn.conv）时能够更容易地定义NN。这个包也带有流行的损失函数的功能（如torch.nn.MSEloss）。我们首先定义一个模型容器，例如使用（torch.nn.Sequential）的分层序列模型，然后在序列中列出我们期望的层。这个高级神经网络库也可以处理其他的事情，我们可以使用（model.parameters（））访问参数（Variable（））。

我们还可以通过子类（torch.nn.Module）定义自定义层，并启用（forward（））函数：（Variable（））作为输入，并产生（Variable（））作为输出。我们也可以通过定义一个时间变化的层来做一个动态网络。

• 定义自定义层时，需要启用2个函数：

• _ init_函数必须始终被继承，然后层的所有参数必须在这里定义为类变量（self.x）

• 正向函数是我们通过层传递输入的函数，使用参数对输入进行操作并返回输出。输入需要是一个autograd.Variable（），以便pytorch可以构建图层的计算图。

5.torch.optim可以做优化

最后一个特色是与NN库一起工作的优化软件包（torch.optim）。该库包含复杂的优化器，如Adam，RMSprop等。我们可以使用torch.nn构建一个nn计算图，用torch.autograd来计算梯度，然后将它们提供给torch.optim来更新网络参数。

我们定义一个优化器并传递网络参数和学习率（opt =torch.optim.Adam（model.parameters（），lr = learning_rate）），然后我们调用（opt.step（））对我们的参数进行近一步更新。

建立神经网络很容易，但是如何协同工作并不容易。下面的示例表明了如何协同工作：

【附：相关推荐】

1.

2.

3.

4.