---

前言

PyTorch 是一个流行的深度学习框架，具有动态计算图的特性，广泛应用于研究和生产环境。它的灵活性、简单的接口和与 Python 的深度集成使其成为构建机器学习模型的理想工具。

---

一、What is PyTorch

PyTorch是python中机器学习的框架

两个主要特点：
将高维的矩阵运算用GPU进行运算
用于训练深度神经网络的自动微分

在训练神经网络时需要计算一些梯度的部分，PyTorch已经将这些部分打包可以很方便的使用

二、Training Neural Networks

训练神经网络的三个步骤

机器学习笔记-1

机器学习笔记-2

三、Training&Testing Neural Networks

数据集&数据加载器

Dataset：Dataset 是数据样本和标签的集合。在 PyTorch 中，Dataset 用于存储数据样本和对应的期望输出值。它是所有数据处理的基础。
Dataloader：Dataloader 是 PyTorch 中用于将数据分批（batch）加载的工具，它将 Dataset 中的数据按照设定的批量大小（batch_size）进行分组，并能启用多线程来提高数据加载的效率。

代码示例：
Dataset：

dataset = MyDataset(file)

这里 MyDataset 是自定义的 Dataset 类，传入的数据文件 file 包含了所需的数据。

Dataloader：

dataloader = DataLoader(dataset, batch_size, shuffle=True)

这个 DataLoader 将数据集 dataset 载入，设定的 batch_size 是每次训练中处理的样本数量，并且设置 shuffle=True 代表在训练过程中数据会随机打乱。

Training：当训练模型时，shuffle=True 是常见的设置，以确保数据的顺序不会影响模型训练。
Testing：在测试时，通常不打乱数据，所以 shuffle=False。

导入模块：

from torch.utils.data import Dataset, DataLoader

PyTorch 提供了 Dataset 和 DataLoader 模块，Dataset 是用于存储和管理数据的基类，DataLoader 则用于批量加载数据。

自定义 Dataset 类：

class MyDataset(Dataset):def __init__(self, file):self.data = ...

__init__ 方法：在初始化时，读取并处理数据。这里会从 file 中加载数据并存储在 self.data 中。

在实际应用中，这部分可能包括加载 CSV 文件、图像文件或其他格式的数据，并进行必要的预处理。

实现 __getitem__ 方法：

def __getitem__(self, index):return self.data[index]

__getitem__：用于通过索引获取数据集中的一个样本。每次调用时，返回指定索引位置的样本。Dataloader 会在训练时多次调用这个方法。

实现 __len__ 方法：

def __len__(self):return len(self.data)

__len__：返回数据集的样本总数。这个方法在使用 Dataloader 时用于确定一共有多少个批次（batch）。

PyTorch 中 DataLoader 从 Dataset 中按批次加载数据的过程。

四、Tensors

Tensors的形状及其维度概念，并通过 .shape() 方法来检查张量的形状。

Creat Tensors

Common Operations

张量的一些常见运算

import torch# 创建张量
x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])# 加法
z_add = x + y
print(z_add)  # 输出: tensor([5, 7, 9])# 减法
z_sub = x - y
print(z_sub)  # 输出: tensor([-3, -3, -3])# 求平方
z_pow = x.pow(2)
print(z_pow)  # 输出: tensor([1, 4, 9])# 求和
z_sum = x.sum()
print(z_sum)  # 输出: tensor(6)# 求平均值
z_mean = x.mean()
print(z_mean)  # 输出: tensor(2.)

Data Type

PyTorch v.s. NumPy

Device

Gradient Calculation

使用 自动求导（autograd）来计算张量的梯度。

五、Training&Testing Neural Networks

在PyTorch中训练和测试神经网络的流程，包括几个关键步骤：定义网络结构、损失函数、优化算法，以及训练、验证、测试的整体流程。

六、torch.nn

nn.Linear(in_features, out_features) 是 PyTorch 中的全连接层，也叫线性层（Linear Layer）。它将输入张量的每一个特征映射到输出特征空间。

• in_features：输入的特征数，即输入张量的最后一维大小。
• out_features：输出的特征数，即输出张量的最后一维大小。

• nn.Linear 是 PyTorch 中用于全连接层的模块，用于将输入特征空间线性映射到输出特征空间。
• 输入张量的形状：输入张量的最后一个维度必须与 in_features 匹配，其他维度可以任意。
• 输出张量的形状：输出张量的最后一个维度为 out_features，其他维度与输入张量相同。

Network Layers

• 全连接层：每个输入特征与每个输出神经元都有一个权重连接，计算方式为输入张量乘以权重矩阵加上偏置向量。
• 矩阵表示：通过矩阵乘法快速实现大规模输入特征到输出特征的映射，PyTorch 中的 nn.Linear 实现了这一操作。
• 输入输出维度：输入维度与权重矩阵的列数相同，输出维度与权重矩阵的行数相同。

Network Parameters

PyTorch中nn.Linear全连接层的网络参数——权重和偏置

W 是权重矩阵，大小为[64,32]。
x 是输入张量，大小为 [32]。
b 是偏置向量，大小为 [64]。
y 是输出张量，大小为 [64]。

Non-Linear Activation Functions

两种非线性激活函数：Sigmoid 和 ReLU。

激活函数引入了非线性，使神经网络能够拟合更复杂的模式。线性层（如 nn.Linear）本身是线性的，如果不加入非线性激活函数，整个神经网络的表现将退化为线性变换，无法处理复杂的非线性问题。

Build your own neural network

用 PyTorch 的 torch.nn 模块来自定义一个神经网络模型。

导入必要的模块：

import torch.nn as nn

• torch.nn 是 PyTorch 中的神经网络模块，提供了构建神经网络模型所需的所有层和功能。

定义一个继承自 nn.Module 的模型类：

class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()self.net = nn.Sequential(nn.Linear(10, 32),nn.Sigmoid(),nn.Linear(32, 1))

• 这里定义了一个名为 MyModel 的类，继承自 nn.Module，这是 PyTorch 中所有神经网络的基类。每个自定义模型都需要继承这个类。
  在 init() 方法中：
  使用 super() 来初始化父类（nn.Module）。
  self.net 定义了网络的层次结构：
  nn.Linear(10, 32)：一个全连接层，输入维度为 10，输出维度为 32。
  nn.Sigmoid()：使用 Sigmoid 激活函数。
  nn.Linear(32, 1)：另一个全连接层，将输出维度从 32 映射到 1。
  这些层被组合在 nn.Sequential 中，这是一个容器，用来按顺序堆叠层。

定义前向传播（forward）函数：

def forward(self, x):return self.net(x)

• forward() 函数是 PyTorch 中所有模型的核心，用来定义数据的前向传播过程。
• 在这个函数中，输入数据 x 通过 self.net（即模型的所有层）进行计算，并返回最终的输出结果。

nn.Module 是所有神经网络的基类，定义自定义模型时需要继承它。
nn.Sequential 是一个按顺序堆叠多个层的容器，可以简化神经网络的定义。
forward() 函数 定义了前向传播的逻辑，用于计算模型的输出。

nn.Sequential：通过一个容器，将各层按顺序定义，前向传播时一次传递输入。使用方便，适合网络层数较少且没有复杂结构的模型。
手动定义各层：显式地定义每一层并在 forward 函数中逐层调用，灵活性更高。适合在前向传播中有更复杂操作或跳跃连接（如 ResNet 中的残差连接）。

Loss Functions

优化算法模块 torch.optim

优化算法：用于通过梯度更新模型的参数，减少误差。
随机梯度下降（SGD）：经典的优化算法，简单有效。
PyTorch 实现：通过 torch.optim.SGD 或其他优化器进行参数更新。
学习率和动量：是优化器的重要超参数，影响模型的收敛速度和稳定性。

七、Neural Network Training Setup

加载数据集：

dataset = MyDataset(file)

• 使用自定义的 MyDataset 类来读取数据，file 是数据文件的路径或名称。MyDataset 是一个继承自torch.utils.data.Dataset 的类，包含了数据的读取和预处理逻辑。

创建 DataLoader：

tr_set = DataLoader(dataset, batch_size=16, shuffle=True)

• DataLoader 是 PyTorch 中用于分批次加载数据的工具。这里将 dataset 数据集以批量大小为 16 进行分组，设置shuffle=True 使数据在每个 epoch 开始时被随机打乱。
• batch_size=16：每次从数据集中加载 16 个样本。
• shuffle=True：表示在每个 epoch 训练前打乱数据，以防止模型过拟合数据的顺序。

构建模型并将其移动到设备：

model = MyModel().to(device)

• 构建了一个自定义的神经网络模型 MyModel，并将模型移动到指定的设备（如 GPU 或 CPU）。device 可以是 torch.device(‘cuda’) 或 torch.device(‘cpu’)，根据你的硬件设置决定。
• .to(device)：确保模型和数据被移动到同一设备（如 GPU），以加速计算。

设置损失函数：

criterion = nn.MSELoss()

• criterion 定义了损失函数，这里使用的是 均方误差损失（MSELoss），常用于回归任务。它计算模型预测值与目标值之间的平方差异。
• nn.MSELoss()：适用于回归任务，输出是预测值和目标值之间的均方误差。

设置优化器：

optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

• optimizer 定义了优化算法，这里使用的是 随机梯度下降（SGD） 优化器。它负责根据计算出的梯度更新模型参数，以最小化损失函数。
• model.parameters()：返回模型的所有可训练参数。
• lr=0.1：学习率，决定每次参数更新时的步长。较大的学习率可能加速收敛，但过大会导致不稳定。

---

总结

PyTorch 是一个灵活、强大的深度学习框架，广泛应用于研究和实际生产中。它提供了动态计算图、GPU 加速、易用的 API 和丰富的社区资源，适合从初学者到专家的各种需求。通过 PyTorch，你可以轻松构建、训练和优化各种复杂的神经网络模型。