小白学习之pytorch框架-动手学深度学习(begin)

Posted 2021-03-20 jadenfk3326

在这向大家推荐一本书-花书-动手学深度学习pytorch版，原书用的深度学习框架是MXNet，这个框架经过Gluon重新再封装，使用风格非常接近pytorch，但是由于pytorch越来越火，个人又比较执着，想学pytorch，好，有个大神来了，把《动手学深度学习》整本书用pytorch代码重现了，其GitHub网址为：https://github.com/ShusenTang/Dive-into-DL-PyTorch   原书GitHub网址为：https://github.com/d2l-ai/d2l-zh    看大家爱好，其实客观的说哪个框架都行，只要能实现代码，学会一个框架，另外的就好上手了。菜鸟的见解哈，下面是个人感觉重要的一些

　　索引(x[:,1])出来和view()改变形状后，结果数据与原数据共享内存，就是修改其中一个，另外一个会跟着修改。类似于数据结构中的链表，指向的地址是同一个

　　若是想不修改原数据，可以用clone()返回一个副本再修改：x.clone().view(5,3)

　　item()：把一个标量tensor转成python number

梯度

　　标量out：out.backward()    #等价于out.backward(torch.tensor(1))

　　张量out：调用backward()时需要传入一个和out同形状的权重向量进行加权求和得到一个标量

想要修改tensor的值但又不想被autograd记录(不会影响反向传播)，可以通过tensor.data来操作

x = torch.tensor(1.0, requires_grad=True)
print(x.data)       # tensor(1.)
print(x.data.requires_grad)  # False
y = 2 * x
x.data *= 100
y.backward() 
print(x)     # tensor(100.,requires_grad=True)
print(x.grad)     # tensor(2.)    不是tensor(200.)，因为用x.data计算不被记录到计算图内

线性回归实现    参考《动手学深度学习》第三章深度学习基础-线性回归的从零开始实现

　　这真是一本不错的书，我个人感觉

　　%matplotlib inline：在开头导入包前加入这个，可以在后面使用matplotlib画图时不用每次都调用pyplot.show()

　　

　　上面的图中，圈1是通过display包设置图像显示的文件格式为svg(可以算是目前最火的图像文件格式)

　　圈2中的rcParams()函数可以设置图形的各种属性，圈2是设置图像尺寸大小，还有

plt.rcParams[‘image.interpolation‘] = ‘nearest‘ #设置插值
plt.rcParams[‘image.cmap‘] = ‘gray‘    # 设置颜色
plt.rcParams[‘figure.dpi‘] = 300   # 每英寸的点数(图片分辨率)
plt.rcParams[‘savefig.dpi‘] = 300    # 图片像素
plt.rcParams[‘font.sans-serif‘] = ‘SimHei‘  # 设置字体
plt.rcParams[‘font.size‘] = 10.0 #设置字体大小
plt.rcParams[‘hist.bins‘] = 10 #设置直方图分箱个数
plt.rcParams[‘lines.linewidth‘] = 1.5 #设置线宽
plt.rcParams[‘text.color‘] = ‘red‘  #设置文本颜色
# 还有其他参数可以百度看看

 　　圈3是画散点图，前两个参数是x,y，为点的横纵坐标，第三个是点的大小。其他的参数可百度

　　记录一下这段读取数据的代码，由于本人太菜了，好不容易查懂不想再重新查

def data_iter(batch_size, features, labels):  # 这里batch_size：10  features：（1000，2）的矩阵 labels是经过线性回归公式计算得到的预测值，labels=X*w+b
    num_examples = len(features)              # features:(1000,2)  len(features):1000
    indices = list(range(num_examples))       # [0,1,2...,999]
    random.shuffle(indices)                   # 将一个列表中的元素打乱,例子见下面
    for i in range(0, num_examples, batch_size):    # 0-1000，step=10  [0,10,20,...,999]
        j = torch.LongTensor(indices[i:min(i + batch_size, num_examples)])  # 取indice值，并且返回成一个tensor。最后一次可能不足一个batch故用min函数
        yield features.index_select(0, j), labels.index_select(0, j)　#　　　　　　　

yield的理解请移步，https://blog.csdn.net/mieleizhi0522/article/details/82142856  很好理解的，感谢博主了

random.shuffle()  # 将一个数组打乱

    li = list(range(5))  # [0,1,2,3,4]
    random.shuffle(li)   # 作用于li列表，而不是print(random.shuffle(li))，这是输不出来的
    print(li)    # [3,1,0,4,2]

 torch之torch.index_select(x,1,indices)  # x即要从其中(tensor x中)选择数据的tensor；1代表列，0代表行；indices筛选时的索引序号

　　x.index_select(n,index)  #  n代表从第几维开始，index是筛选时的索引序号

　可以参考博客，感谢博主　https://www.jb51.net/article/174524.htm

 数据特征和标签组合

import torch.utils.data as Data

batch_size = 10
dataset = Data.TensorDataset(features,labels)   #把训练数据的特征和标签(y值)
data_iter = Data.DataLoader(dataset, batch_size,shuffle=True)  #读取批量数据,批量大小为batch_size
for X, y in data_iter:  # 这样才能打出
    print(X, y)
    break

 搭建模型：

　　方法1：使用nn.Module定义

from torch import nn
class LinearNet(nn.Module):
    def __init__(self, n_feature):
        super(LinearNet, self).__init__()
        self.linear = nn.Linear(n_feature, 1)
    
    # 定义前向传播
    def forward(self, x):
        y = self.linear(x)
        return y
    

net = LinearNet(num_inputs)
print(net)  #显示网络结构

 　　方法2:使用nn.Sequential

# nn.Sequential搭建网络
# 写法1
net = nn.Sequential(
        nn.Linear(num_inputs, 1)
        # 还可加入其他层
)

# 写法2
net = nn.Sequential()
net.add_module(‘linear‘, nn.Linear(num_inputs, 1))
 # net.add_module.....
# 写法3
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
    (‘linear‘, nn.Linear(num_inputs, 1))
    # ......
]))

print(net)
print(net[0])